La settimana scorsa ho scritto che il valore della conoscenza si sta spostando. Per cinquant’anni, o forse più, quello che importava era ciò che sapevi del mondo: una lingua, un mercato, una materia. Oggi una macchina ti restituisce in pochi secondi quello che prima richiedeva anni di studio, e quel sapere vale sempre meno proprio perché è alla portata di chiunque. Che cosa resta scarso? La conoscenza di te stesso.

Conoscersi è tre cose:

1. Definire l’ontologia della propria conoscenza, la mappa degli oggetti della tua vita e delle relazioni che li collegano.

2. Curarla e renderla esplicita, perché finché resta nella tua testa la macchina non può lavorarci.

3. Farla crescere.

È di questo terzo passaggio che voglio scrivere oggi. La conoscenza di sé non si espande guardandosi dentro più a lungo: si espande portando a termine progetti.

Jack Dorsey, che sta riorganizzando Block, dice che resteranno solo due lavori: l’Individual Contributor (IC) e il Directly Responsible Individual (DRI), più una funzione trasversale, il Player-Coach, che affianca e fa crescere le persone con cui lavora. L’Individual Contributor è lo specialista profondo che decide nel suo campo: ha quello che Dorsey chiama giudizio. Il DRI gestisce un problema dall’inizio alla fine e ne risponde: ha l’accountability, la responsabilità.

Giudizio è una parola difficile da rendere azionabile. Christian Catalini, economista al MIT, ha detto che giudizio e cura sono alibi che ci raccontiamo per non vedere quanto sono capaci questi modelli. Lo stesso potrebbe valere per l’accountability: un genitore, un professore, un capo possono dirti mille volte che devi sviluppare il giudizio e prenderti la responsabilità delle cose, senza mai riuscire a spiegarti come fare. Dorsey ha individuato bene i due lavori che restano, ma finché restano due nomi li leggiamo con la stessa domanda di prima: cosa inizio a fare da oggi?

Il giudizio non è un dono che hai o non hai, ma il residuo che si accumula dopo che hai portato a termine molti progetti, ognuno un po’ più difficile del precedente. Così un giorno, davanti a un problema che non avevi mai visto, sai magicamente dove guardare. Quel sapere dove guardare nessuno te l’ha insegnato: l’hai accumulato tu, un progetto dopo l’altro. È quello che Catalini chiama measurability gap: man mano che produrre diventa gratis, l’unica cosa che resta costosa è verificare se quello che è stato prodotto vale qualcosa. Riconoscere il punto in cui qualcosa funziona o no è il giudizio applicato al lavoro. Non si trova nel tuo curriculum, ma nei progetti che hai fatto e che hai portato a termine.

Se il giudizio è il sedimento dei progetti che hai portato a termine, una delle convinzioni più radicate sul lavoro è falsa. Crediamo che l’esperienza si misuri in tempo: anni di anzianità, numero di aziende, scatti di carriera. Ma il tempo da solo non accumula niente. Chi ha passato quindici anni nello stesso ruolo facendo le stesse cose non ha quindici anni di esperienza, ha un anno vissuto quindici volte. Chi in tre anni ha portato a termine dodici progetti diversi, ognuno con una posta più alta del precedente, ha attraversato dodici volte l’arco che va dal non sapere al sapere, e quei passaggi hanno lasciato ogni volta qualcosa che prima non c’era. L’esperienza non si misura in anni, ma in progetti portati a termine, e le aziende tipicamente non sono spazi che consentono di mettersi alla prova con progetti diversi.

Finché entrare in un campo nuovo richiedeva anni di studio, il sapere del dominio era una barriera che proteggeva chi l’aveva acquisita a caro prezzo. Quella barriera è caduta, perché il sapere di base di qualsiasi settore te lo dà la macchina in tempo reale. Quando il dominio smette di essere un costo smette anche di essere quello che ti distingue, e a distinguerti resta una cosa sola: entrare in un territorio sconosciuto per risolvere un problema, in fretta. È qui che i due lavori di Dorsey si separano, e non tra due specializzazioni, ma tra due modi di accumulare esperienza.

L’Individual Contributor accumula profondità. Porta con sé un metodo, un modo di affrontare i problemi che funziona indipendentemente dal campo in cui lo applica, e si misura sulla velocità con cui passa da principiante a competente in un dominio nuovo. Chi ha portato a termine trenta progetti entra nel trentunesimo molto più in fretta di chi ne ha fatti tre, perché il metodo è la parte trasferibile dell’esperienza.

Il DRI, invece, accumula ampiezza. Possiede il progetto nella sua interezza, dall’intenzione iniziale all’artefatto che esiste nel mondo, e si misura sull’esito complessivo del progetto. Non ha solo costruito il prodotto: ha deciso che valeva la pena costruirlo, ha capito perché e come poteva stare nel mercato, l’ha portato fino alle persone che lo useranno. Uno va a fondo in un punto, l’altro tiene insieme il percorso.

Che la scarsità si sia spostata sull’esito e sulla verifica di un progetto, non sulla capacità di produrre, è già nei numeri. Qualche settimana fa Uber ha messo un tetto alla spesa dei dipendenti in strumenti di AI, millecinquecento dollari al mese ciascuno, dopo aver bruciato in quattro mesi il budget di un anno. Il suo direttore operativo ha detto in pubblico di non vedere il valore prodotto da quella spesa. Si fabbrica a valanga, ma quasi nulla arriva a destinazione, spesso perché manca chi possiede una visione olistica, sistematica e strategica del progetto.

Due istituzioni stanno preparando le persone al contrario di quello che serve. La scuola riempie la testa di nozioni, cioè di sapere del mondo, proprio mentre il sapere del mondo diventa la cosa più abbondante: misura quanto ricordi, non quanti progetti hai portato a termine, e non allena strategia e responsabilità sui progetti. E in azienda succede lo stesso. Per decenni l’organizzazione ha funzionato per sostituzione: se ne andava una persona, si liberava un titolo, se ne assumeva un’altra per lo stesso titolo. Finché il lavoro dentro ogni ruolo resta stabile, il meccanismo regge. Oggi le aziende cominciano a bloccarsi, perché non sanno più se i ruoli di prima servano ancora, e prima di aprire una nuova posizione cominciano a chiedersi se quella posizione avrà ancora senso tra 2, 3, 5 anni. Chi paga il prezzo più alto è chi si presenta nel modo classico, come aspirante a un titolo. Un neolaureato che dice “so fare questa cosa, datemi il posto che le corrisponde” offre esattamente la merce che ha smesso di essere scarsa e di avere valore. Dovrebbe dire sono un “agente del cambiamento”: so entrare in fretta nel tuo campo, lo capisco a fondo in poco tempo e posso vedere e risolvere i tuoi problemi.

Sto costruendo un videogioco con mio figlio Riccardo, che ha dieci anni. Mentre lo creiamo, Riccardo scopre cose su di sé e lascia una forma di sedimento che un giorno chiameremo il suo giudizio. Un bambino di dieci anni sta affrontando un progetto per intero; un laureato di ventitré, troppo spesso, si presenta ancora come aspirante a un titolo.

Conoscere se stessi non è un esercizio da fare restando immobili a riflettere. È accumulare esperienza portando a termine progetti.

Restano due lavori, e sono due modi di stare al mondo prima ancora che due ruoli da scrivere sul tuo prossimo biglietto da visita. Quale dei due puoi diventare dipende solo da quanti progetti inizierai a fare domani.

Questa settimana è uscito Fable 5, il nuovo modello di Claude, prima che riuscissi ad abituarmi a Opus 4.8. Ormai l’80% del mio lavoro passa dai modelli di frontiera. E più ci sto dentro, più una cosa mi è evidente: il lavoro che ho fatto per tutta la vita non ha più motivo di essere fatto. Parlo del mio lavoro e non mi permetto di generalizzare, anche se temo che questa riflessione valga per buona parte del knowledge work. La soglia che abbiamo raggiunto permette già oggi a una macchina di capire un problema, poi impostare, delegare, eseguire, verificare e consegnare una soluzione.

In un prossimo futuro le macchine faranno la quasi totalità del lavoro cognitivo che facciamo noi oggi. Sia chiaro, non è una cosa che accadrà così velocemente: i modelli corrono, ma le trasformazioni sono sempre culturali e sociali prima che tecnologiche, e una società cambia molto più lentamente della tecnologia.

Resta comunque costante nella mia testa una domanda: che lavoro faremo?

Un paio di settimane fa l’ho chiesto a Simone Cicero. Mi ha risposto che torneremo a economie relazionali e conviviali, di prossimità e di comunità, fondate sulle esperienze e sulle relazioni. Torneremo a coltivare la terra e a coltivare i legami, una prospettiva che per me è bellissima e preferibile. C’è però un’altra cosa da coltivare, ed è quella di cui voglio scrivere: la nostra intelligenza, il nostro giardino mentale.

Inventare e contestualizzare

Veniamo dall’economia della conoscenza, e dalla content economy che ne è stata l’apoteosi: dopo YouTube e i social media chiunque ha potuto divulgare informazioni su qualsiasi tema, e il sapere del mondo è diventato contenuto.

Nell’economia della conoscenza il lavoro è duplice: da una parte generare sapere nuovo; dall’altra contestualizzarlo, cioè adattarlo alla persona, all’organizzazione, al sistema che lo ricevono. Generare e contestualizzare.

Per la prima volta esiste uno strumento che fa bene la prima (non a caso si chiama AI generativa) e anche la seconda metà del lavoro della conoscenza: un modello AI può adattare il sapere generale sul tuo contesto in tempo reale, a costo quasi zero.

Quando un bene si comprime a costo marginale zero, il valore migra verso il complemento scarso. E qual è il complemento scarso di una conoscenza del mondo quasi gratis?

Dal mondo a te stesso

Se tutti hanno accesso alla stessa conoscenza del mondo, il contesto è ciò che la trasforma in un vantaggio che è solo tuo. E il rendimento è composto: ogni pezzo di conoscenza di te che aggiungi moltiplica il valore di ogni interazione futura, perché il modello smette di ripartire da zero. Più il contesto è profondo e strutturato, più valore ti viene restituito, a parità di domanda e a parità di macchina.

Per questo il bene scarso si sposta dentro, dal mondo esterno a te stesso. Nella knowledge economy il bene scambiato era la conoscenza del mondo: libri, corsi, dati, formazione. Nell’economia che si apre il bene scarso è la conoscenza di sé: cosa desidero, cosa voglio, chi sono, come scelgo, cosa voglio diventare. Il prodotto del futuro ti restituisce a te stesso.

E cambia anche il modo di finanziare la nuova economia. La content economy si finanziava con l’attenzione: il modello di business era catturarla e rivenderla e e per riuscirci l’algoritmo doveva confermarti, lusingarti, tenerti incollato a chi sei. L’economia generativa si finanzia con il contesto, cioè con la conoscenza di sé: il valore che ricevi è proporzionale a quanto di te metti dentro i modelli. Una tecnologia che vive della tua attenzione ha interesse a distrarti; una tecnologia che vive del tuo contesto ha interesse a farti conoscere meglio.

Intenzionalità

Conoscersi, però, è solo metà del lavoro. Se il modello si configura su chi sei, decidere chi sei diventa fondamentale. Il contesto che dai alla macchina è la direzione che le dai: un contesto che descrive solo chi sei stato produce uno strumento che conserva ciò che sei; un contesto che dichiara chi vuoi diventare produce uno strumento che ti aiuta ad arrivarci.

Questa è la parte che chiamo intenzionalità: conoscere te stesso significa scegliere chi vuoi diventare e sceglierlo ogni giorno. Per la conoscenza del mondo abbiamo costruito un’infrastruttura millenaria: scuole, università, biblioteche e ora i modelli stessi. Per la conoscenza di sé non esiste una scuola: nessuno ti insegna a capire cosa vuoi, a distinguere quello che desideri veramente da quello che ti hanno insegnato a desiderare, a dichiarare una direzione e a rinegoziarla nel tempo. Eppure scommetto che è quello di cui ci sarà più bisogno.

Il giardino

Leone XIV, nella sua prima enciclica dedicata proprio all’intelligenza artificiale, ha detto che l’AI non si costruisce, si coltiva. Io penso che quello che dobbiamo coltivare non sia l’AI, ma il nostro giardino mentale. Il giardino è una rappresentazione viva del proprio mondo, da curare ed espandere ogni giorno. Il terreno migliora negli anni e a differenza di capacità, di una certificazione o di un’esperienza sul CV è unicamente tuo. Nella self-knowledge economy il vantaggio si misura con la capacità di curare, espandere, migliorare continuamente e rappresentare il tuo giardino mentale.

Gli strumenti per coltivare il contesto esistono già, ma quasi tutti appartengono a una categoria superata. Il second brain di cui molti parlano è un archivio personale dove tutto entra e viene organizzato. È uno strumento di conservazione che ha perfettamente senso per la knowledge economy: se il bene scarso è la conoscenza del mondo, accumularla, ritrovarla, connetterla e contestualizzarla è il lavoro. Ma se il bene scarso diventa la conoscenza di te, un archivio risolve il problema sbagliato. Non ti serve un second brain, hai bisogno di un first eye: uno strumento che dai tuoi comportamenti estrae informazioni, le organizza secondo un modello che tu hai definito, le confronta con la tua direzione e ti mostra quanto sei lontano da diventare ciò che vuoi. Il second brain custodisce la tua memoria, mentre il first eye ti aiuta a capire dove posare lo sguardo per scoprire e diventare chi vuoi essere.

Che lavoro faremo

Il knowledge work è stato il lavoro degli ultimi cinquant’anni. Il self-knowledge work è il lavoro dei prossimi cinquanta. Conteranno la qualità con cui ci osserviamo, la chiarezza con cui scegliamo una direzione, la nostra capacità di rappresentare ed esternare chi siamo e chi vogliamo diventare.

Se quasi tutto il lavoro cognitivo lo farà una macchina, ci resta il lavoro che nessuna macchina può fare al posto nostro: conoscerci ed espanderci. Costruiremo, dentro di noi, il contesto profondo che rende prezioso tutto ciò che incontra: le persone, le idee, perfino le risposte perfette di un modello che sa tutto del mondo, ma niente di noi.

Settimana scorsa ho fatto domanda di lavoro nella mia stessa azienda.

Ho lanciato un comando nel terminale e ho lasciato che uno strumento leggesse un mese dei miei log di lavoro con Claude Code: 45 sessioni, 24 prodotti, 2.701 istruzioni. Ne è uscito un profilo che diceva cose di me che io stesso non avrei saputo immaginare. Che lavoro in modalità co-thinking l’83% del tempo, e passo a istruzioni lunghe e strutturate quando lavoro su aspetti legali o di sicurezza. Che apro in media due sessioni per prodotto, mentre altre persone tornano sullo stesso prodotto decine di volte. E ho registrato un picco di 11.399 chiamate a strumenti in un solo giorno.

Lo strumento che ho usato per generare il mio profilo si chiama Apply New. Lo abbiamo costruito in Play New ed è open source. Legge i log delle tue sessioni con Claude Code, li anonimizza, misura i comportamenti e produce un profilo professionale. Tutto gira sul tuo computer, per privacy assoluta. L’invio è una decisione separata, e puoi anche non prenderla mai: il profilo resta tuo. Prima che una candidatura, è un modo di conoscersi: ti dice come lavori, per aiutarti a decidere se e come migliorare.

In fondo a questo articolo c’è un prompt che fa una versione ridotta della stessa cosa sulle tue chat, con qualunque assistente AI. Ma prima voglio spiegarti perché e come l’abbiamo costruito, e cosa dice sul lavoro che faremo in futuro.

Doppia compressione

Il CV comprime una persona in parole chiave, perché un software di screening possa confrontarle con una job description che a sua volta comprime i bisogni di un team in una lista di requisiti. Due compressioni, una sopra l’altra, progettate per un’epoca in cui l’azienda sapeva che ruolo cercava e il candidato sapeva tradurre il proprio lavoro in una successione di titoli, esperienze e certificati di studio.

Nessuna delle due premesse regge più. Quello che fa un senior engineer a giugno 2026 non somiglia a quello che faceva a giugno 2024. Il lavoro vive nei log degli agenti molto più che in un CV. E il valore di una persona sta in come pensa con il modello, una cosa che il CV non può vedere: la parola “Python” su due curriculum identici può nascondere decine di anni di distanza tra i due candidati.

Apply New

Mentre lavori con Claude Code, ogni sessione lascia una registrazione: che cosa hai chiesto, che cosa ha fatto la macchina, le tue correzioni e le tue verifiche. Sono i log. Nessuno li ha mai pensati come una candidatura, eppure sono perfetti per creare un profilo professionale perché sono la cronaca di come lavori scritta mentre lavori, senza che tu stia cercando di fare bella figura.

Apply New li trasforma in un profilo:

1. Legge
   Lanci un comando e lo strumento legge i log, sul tuo computer. Niente viene comunicato all’esterno, tutto resta privato.

2. Pulisce
   Prima di qualsiasi analisi toglie nomi e dati personali: clienti, contatti, progetti.

3. Misura
   Conta i comportamenti: quante sessioni, su quanti progetti, quanto deleghi e quanto verifichi, quando dai istruzioni precise e quando ragioni con il modello.

4. Racconta
   Scrive il profilo in due formati: uno per le persone, uno per un agente. È una descrizione di come lavori, in parole e numeri.

5. Passa la palla a te
   Lo leggi, lo rivedi e decidi se inviarlo. Oppure no: il profilo resta tuo, ed è utile anche se non lo mandi a nessuno.

Scegli tu

Il quinto passo è quello a cui teniamo di più.

Avremmo potuto prendere tutto: tutti i progetti, tutti i log e costruire un profilo molto più ampio e dettagliato. Abbiamo scelto il contrario. Scegli tu i progetti che ti rappresentano, fino a un massimo di cinque e alleghi gli artefatti che vuoi mostrare, se vuoi farlo. Rivedi tu le parole e la narrativa, prima che esca qualsiasi cosa dal tuo computer.

Le ragioni sono due. La prima è l’intenzionalità: decidere cosa mostrare di sé è parte del candidarsi, e nessuno strumento deve togliertela. La seconda è la leggibilità: un profilo costruito su tutto lo leggerebbe solo un’altra macchina, ed è esattamente quello che non vogliamo. Deve poterlo leggere un essere umano, in pochi minuti, per arrivare al colloquio con domande migliori.

Niente classifiche

La generazione precedente di tecnologia HR aveva fatto una scommessa, di poter misurare le persone con un numero attraverso cose come il fit score, test di personalità, modelli predittivi addestrati sulle assunzioni passate. Nel 2018 Reuters rivelò che Amazon aveva smantellato il proprio motore di recruiting AI: addestrato su dieci anni di curriculum a maggioranza maschile, aveva imparato a penalizzare i CV che contenevano la parola “women’s”. Gli strumenti che promettevano di misurare le persone meglio degli umani avevano riprodotto gli errori del passato, più in fretta e su scala più ampia.

Per questo Apply New descrive e si rifiuta di dare voti. Niente classifica dei candidati, nessun punteggio: una lista di profili che una persona legge, uno alla volta, per decidere con chi vale la pena parlare. Una pagella chiude la conversazione con un verdetto, mentre un profilo la apre.

Un racconto di te

Il profilo rappresenta su un asse quanto dirigi il modello (istruzioni lunghe e precise, criteri di accettazione) e quanto co-pensi con il modello (turni brevi, domande aperte, il modello usato per capire il problema e non solo per eseguirlo). Chi lavora bene con la macchina fa entrambe le cose, in momenti diversi, e la maturità sta nel sapere quando passare dall’una all’altra.

Il mio numero mi ha sorpreso: 83% co-thinking. Mi raccontavo come uno che dirige il lavoro degli agenti, ma i miei stessi log mi hanno smentito. È il genere di smentita a cui un’autocertificazione non si espone mai, ed è il motivo per cui il profilo è utile prima di tutto a te: ti dice come lavori davvero, e da lì decidi se e cosa cambiare.

E poi c’è quello che racconta a chi assume. Io lavoro contemporaneamente a 24 prodotti con una media di due sessioni l’uno: gestisco un portafoglio di idee e progetti. Un altro candidato concentra 80 sessioni su 9 prodotti: costruisce i progetti nel tempo e li mantiene. Un’azienda che cerca continuità dovrebbe scegliere lui; una che cerca sperimentazione o esplorazione su più fronti dovrebbe scegliere me. Il CV ci avrebbe presentati allo stesso modo, e il colloquio sarebbe partito da zero.

Una macchina che dubita di sé

La parte narrativa del profilo la scrive un modello linguistico, e i modelli linguistici abbelliscono. Con Apply New la macchina si controlla da sola: ogni affermazione verificabile nella prosa viene cercata nei numeri misurati, e se non c’è riscontro viene segnalata prima dell’invio. Sotto il 60% di affermazioni supportate da riscontro nei log l’invio si blocca. Il mio profilo ha chiuso al 96%, e quel numero è visibile a chi legge.

Sulla privacy la regola è una: contare i comportamenti, mai nominare persone, progetti, aziende, informazioni private. Lo strumento è costruito intorno alla norma: consenso esplicito, un umano che legge e decide, alternativa garantita a chi preferisce non usarlo.

C’è un’ultima cosa che il profilo non contiene, ed è forse il punto più importante: i campi su cui nascono i pregiudizi. Titolo di studio, anni di esperienza, età, sesso, foto: rimossi tutti, by design. Nemmeno il cognome arriva a chi legge, resta solo come lavori.

Provalo sulle tue chat

Apply New per ora legge solo i log di Claude Code. Il principio però non dipende dallo strumento: qualsiasi storia di conversazioni con un assistente AI è una forma di comportamento rivelato.

Il prompt qui sotto costruisce la versione ridotta del profilo a partire dalle tue chat con Claude, ChatGPT, Gemini o il tuo assistente AI preferito.

Le chat non registrano dove il lavoro va a finire. Niente commit, niente test fatti girare, niente deploy… È uno schizzo a matita, mentre la versione sui log è una fotografia. Ma per cominciare basta e avanza.

Al prossimo colloquio che faremo in Play New, il profilo del candidato sarà sul tavolo. Il colloquio inizierà da metà strada.

Cerchiamo SuperAgents

Quel colloquio possiamo farlo davvero, adesso. Stiamo cercando SuperAgents per collaborare con Play New: freelance nella zona di Milano, o disponibili a raggiungerci per le giornate di lavoro insieme.

Funziona così:

1. Ti candidi con Apply New: il profilo costruito dai tuoi log è la candidatura, niente CV.

2. Selezioniamo fino a 10 persone per due giorni di formazione con noi, il 2 e 3 luglio, dalle 10 alle 18. Chi partecipa riceve 200 euro di crediti API Anthropic e l’accesso illimitato gratuito alla community SuperAgents.

3. Chi passa la formazione può collaborare con noi, sui progetti di Play New o su quelli dei nostri clienti.

Il tuo profilo cosa dirà di te?
Scoprilo!

Il prompt

Se non usi Claude Code ma vuoi creare un tuo profilo agentico incolla questo testo in una conversazione nuova con il tuo assistente AI (Claude, ChatGPT, Gemini o altro). Se l’assistente può cercare nelle tue conversazioni passate, lascialo fare. Se non può, incollagli tu le 10-15 conversazioni che meglio rappresentano il tuo lavoro:

Costruisci il profilo professionale di chi ti scrive, usando come unica fonte le sue conversazioni con te.
Il profilo deve poter essere condiviso senza esporre nessuno. Quindi:

Niente nomi propri: né aziende, né clienti, né persone, né prodotti. Se nelle conversazioni compare "il rebranding di [nome azienda]", nel profilo diventa "il rebranding di un'azienda di logistica". Conta e descrivi, senza nominare.
Scrivi solo quello che hai letto. Se per una sezione il materiale non basta, dillo: "qui non ho abbastanza materiale". Meglio un buco dichiarato che una frase inventata.
Niente complimenti. Il profilo descrive come la persona lavora, senza dire quanto è brava. Ogni aggettivo di troppo si paga in credibilità.
Nessuno stile di lavoro è migliore di un altro. Chi dà istruzioni dettagliate e chi ragiona ad alta voce con il modello sono due modi di lavorare: il tuo compito è dire quale hai davanti, e quando la persona passa dall'uno all'altro. Niente classifiche.


Procedi così:

Guarda cosa hai a disposizione: quante conversazioni, di che periodo, quanto lunghe. Lo scriverai in testa al profilo, così chi legge sa su cosa poggia.
Raggruppa le conversazioni in 3–5 ambiti di lavoro o di interesse, con la quota approssimativa di ciascuno. Separa il lavoro dagli interessi personali, se la differenza si vede.
Osserva come la persona usa il modello. Dà istruzioni lunghe e precise o fa domande aperte? Su quali temi l'una e su quali l'altra? Torna più volte sugli stessi argomenti o tocca molti temi una volta sola? E quando il modello sbaglia, come reagisce?
Se le conversazioni coprono più mesi, guarda cosa è cambiato: temi nuovi, parole nuove, richieste diverse. Segnala un cambiamento solo se hai esempi da periodi diversi.
Prima di consegnare, rileggi ogni affermazione e chiediti: da quale conversazione viene? Quelle che restano senza risposta, tagliale. Dichiara quante ne hai tagliate.


Il profilo finale parla alla persona, con questi titoli in seconda persona:

Cosa ho potuto osservare — periodo, numero di conversazioni, cosa il materiale non permette di vedere
Su cosa lavori — i 3–5 ambiti, con le quote
Come ragioni — come scomponi i problemi, cosa chiedi di verificare, come reagisci agli errori del modello
Come usi il modello — istruzioni dettagliate o ragionamento ad alta voce, e su quali temi cambi modo
Come distribuisci l'attenzione — pochi temi in profondità o molti temi in larghezza
Cosa è cambiato nel tempo — solo se supportato da esempi
Cosa questo profilo non può dire di te — sezione obbligatoria. Un profilo che tace i suoi limiti vale poco.


Dopo la consegna, chiedi alla persona dove non si riconosce, e parlatene un punto alla volta. Il profilo è suo: lo può correggere, condividere o tenere per sé.
Infine ricordale che questo profilo non serve solo a candidarsi: è un modo di conoscersi. Suggerisci tu un punto da cui potrebbe partire per migliorarsi o per espandersi, a partire da quello che hai letto.

Per iniziare: chiedi se puoi cercare nelle conversazioni passate o se preferisce incollarti quelle rappresentative.

L’intervista dura quarantacinque minuti. Sotto il video trovate i nodi principali, ancorati al minutaggio per approfondire.

Le due curve

Da dicembre 2025 in poi i modelli hanno fatto un salto di capacità incredibile. Ore di lavoro umano collassano in minuti di chiamate ai tool. Un medico, un legale, un programmatore si rendono conto che gran parte di quello che era il loro lavoro può essere delegato alla macchina.

Se il costo di far produrre qualcosa alla macchina sta crollando, il costo di capire se quello che il modello produce è vero resta invariato. Verificare un referto medico, validare un parere legale, leggere il codice generato richiede ancora tempo umano. Gli output sono plausibili, hanno un vocabolario evoluto che fa sembrare le cose stabili, ma sotto la superficie di eloquenza ci sono problemi reali.

Christian chiama questa distanza tra costo di produzione e costo di verifica measurability gap. Tutti noi ci troveremo a dover scegliere tra velocità a scapito della verifica, o verifica a scapito della velocità. Secondo Christian, la seconda scelta sarà più vantaggiosa e redditizia nel medio-lungo periodo.

Cope

A metà conversazione Simone porta sul tavolo il post di Jack Dorsey From Hierarchy to Intelligence. Dorsey propone di decomporre l’organizzazione in capability modulari, con due ruoli umani che resistono all’agentificazione: l’Individual Contributor (IC) con taste e il Directly Responsible Individual (DRI) con accountability. La domanda di Simone per Christian è diretta: ti ci ritrovi?

Taste, judgment, curation, dice Christian, sono tutte parole di cope, ovvero alibi che ci raccontiamo per non vedere quanto sono capaci questi modelli.

Chi ha buon gusto e chi ha cattivo gusto? Dipende dall’ambito culturale, dall’epoca, dall’osservatore. Sono categorie imprecise per definizione. L’unica strada per ragionare con rigore è cambiare la domanda. Smettere di chiedersi cosa è umano e iniziare a chiedersi cosa è misurabile.

Misurazione e automazione

Tutto quello che è misurabile sarà automatizzato. La macchina, se ha i dati giusti, replica il comportamento.

Il caso della guida autonoma è la prova più lampante. Per anni ci è sembrato un problema irrisolvibile: troppo umano, troppo legato a contesti imprevedibili come le strade italiane, dove i pedoni attraversano dove vogliono e i segnali servono al massimo come suggerimento. Christian si ricorda le conversazioni in famiglia dove gli dicevano che in Italia il self driving non avrebbe mai funzionato. Oggi Waymo e Tesla guidano in qualsiasi ambiente (in Italia ancora no, ma il pattern regge: una volta appreso in un contesto, si propaga rapidamente). I dati assicurativi americani sulla guida autonoma mostrano meno incidenti rispetto alla guida umana. Una volta accumulati abbastanza chilometri di esperienza, il pattern viene sempre replicato.

Lo stesso, secondo Christian, succederà a qualsiasi professione il cui output può essere etichettato e classificato.

Cosa non si automatizza

Resta fuori dall’automazione tutto quello che è strutturalmente non misurabile. Secondo Christian parliamo di due ambiti.

Il primo è quello che Frank Knight, economista degli anni Venti, ha chiamato uncertainty in contrapposizione a risk. Nel rischio sai quali sono le probabilità degli esiti possibili, e la macchina replica lo scenario senza problemi. Nell’incertezza non sai nemmeno quali probabilità assegnare, perché l’ambiente cambia troppo rapidamente. Gli shock dei mercati finanziari e quelli geopolitici sono casi di Knightian uncertainty. La neocorteccia umana, dice Christian, si è evoluta per ambienti di questo tipo: riformulare i vincoli quando il vecchio modello del mondo smette di funzionare, e costruire al volo una visione che regga.

Il secondo ambito riguarda tutte le realtà oggettivamente non misurabili: arte, filosofia, religione, qualunque cosa il cui valore dipende dal consenso sociale che si forma intorno a quella cosa. Qui i modelli sono utili, ma da soli non bastano. Il prodotto richiede una community che si riconosca in quel prodotto, e la community richiede relazione umana. Eppure, anche qui Christian invita a non lasciare spazio alle illusioni: il costo del contatto umano è 10, 100 volte superiore a una conversazione con un LLM, e le persone stanno già usando i modelli per cose molto personali dove pochi mesi fa avremmo giurato di voler un umano dall’altra parte.

L’AI Sandwich

Da queste premesse Christian costruisce un’architettura del lavoro a tre livelli, che chiama AI Sandwich.

Sopra c’è il director, cioè il ruolo che decide cosa va perseguito e cosa abbandonato. Christian lo ispira esplicitamente al regista di Hollywood o all’imprenditore. Un director prende molte decisioni diverse, ma la più importante è decidere la direzione e capire se il progetto si sta muovendo dove deve.

Nel mezzo del sandwich ci sono gli agents, con i modelli che eseguono task specializzati, dal product al marketing, dall’engineering al finance. Il director coordina uno swarm di agenti, invece di un team di persone.

Sotto, e per Christian è il livello più interessante, c’è la verification, dove esperti di dominio decidono se l’output è sicuro, attendibile, rilasciabile. Sono i professionisti iper-specializzati che oggi chiamiamo senior: medici con vent’anni di reparto, ingegneri con abbastanza esperienza da riconoscere al volo un sistema mal progettato. Nel paper Christian va oltre e identifica un terzo ruolo che è una variante del verifier: il liability underwriter, chi è in grado di assumersi formalmente la responsabilità dell’output e assicurarne le conseguenze.

La maledizione del codificatore

Ogni volta che usate il modello, lasciate una label: ogni correzione, ogni rifinitura, ogni “no, fai così” è un dato di training per la prossima generazione di modelli.

Christian lo chiama codifier’s curse. Le aziende AI stanno assumendo esperti di dominio per fare training dei modelli, e nella prossima iterazione quei modelli faranno il lavoro che oggi pagano.

La finestra di valore per i professionisti esperti come verifiers si apre adesso, ma si chiude nel momento stesso in cui viene svolta. Mentre lavoriamo per allenare la macchina, stiamo anche creando le condizioni per renderci sostituibili.

Anche la creatività è ricombinazione

Il mantra che si ripete da mesi nelle redazioni e nelle agenzie è che la creatività sopravviverà. In realtà la maggior parte delle iniziative creative, così come molte innovazioni scientifiche sono ricombinazioni di concetti tra settori diversi: una scoperta in biologia applicata al computer science, un breakthrough che capita per serendipity a qualcuno che ha una doppia formazione. Molte intuizioni creative sono punti su una mappa di coordinate. I modelli stanno imparando a esplorare quella mappa con una velocità che gli umani non potranno mai replicare. Quello che rende unico un artista è essere stato esposto a influenze rare, posizionarsi su coordinate sensoriali che gli altri non hanno mai esplorato. Alcuni di questi artisti, dice Christian, hanno avuto vite difficili che li hanno trasformati: i loro weights sono diversi dalla media.

I modelli riescono a ricreare gran parte di questa diversità, e democratizzano la produzione creativa. Un ragazzino può oggi produrre un trailer di qualità Hollywood in poche ore davanti a un computer. Una notizia positiva, ma anche un fatto economico: gran parte di quello che chiamavamo creatività era ricombinazione, e i modelli ricombinano meglio di noi a parità di tempo. Netflix sa esattamente in che minuto lo spettatore ha fermato il telefilm, e quel dato disegna già le sceneggiature successive.

Significato e politica

Verso la fine Simone del podcast introduce una riflessione che porta il pezzo fuori dall’economia. Some Simple Economics of AGI è un titolo che chiede una controparte: dove sono i Simple Politics of AGI?

Christian è d’accordo e ha un’opinione precisa su molti aspetti politici, incluso l’UBI. Il reddito universale di base, dice, è un’idea terribile per ragioni antropologiche prima che economiche. Le persone hanno bisogno di significato, e una delle ragioni per cui il lavoro è stimolante è perché può aiutarci a creare significato. Un mondo in cui ognuno riceve un assegno mentre i modelli fanno il resto è un mondo infelice. Le alternative esistono, dice Christian: in una società dove il lavoro pesa meno potremmo dedicare tempo a cose che oggi trascuriamo. Quello che serve sono istituzioni nuove: training pubblico, percorsi di reskilling per chi è già nel mercato del lavoro, e soprattutto un nuovo contratto sociale.

La transizione sarà turbolenta in ogni caso. Si fronteggiano da una parte chi vuole distruggere i data center senza vedere che la stessa tecnologia può alzare il livello dei servizi pubblici a un grado che oggi sembra impensabile, e dall’altra chi accelera senza preoccuparsi delle conseguenze sociali. La conclusione di Christian, ripetuta più volte nell’intervista, è che non c’è altra opzione che accogliere la tecnologia: nascondersi sotto una roccia non può funzionare.

Smettetela di chiedere ai bambini cosa vogliono fare da grandi.

Lo dico da padre di due figli, e da esploratore di come cambia il lavoro: è la domanda peggiore che possiamo fare, anche se la facciamo con tono gentile e con le migliori intenzioni.

“Cosa vuoi fare da grande” dice al bambino che la sua vera vita comincerà dopo, quando sarà grande. Ma “grande” è un traguardo che si sposta: a sei anni viene immaginato come dodici, a dodici come venti, a venti come trenta. Te ne accorgi solo da adulto, quando arrivi a un’età in cui credi di esserci arrivato finalmente, ma scopri che la parola “grande” è stata usata, anno dopo anno, per dirti che il tuo presente da bambino non contava abbastanza.

Nel frattempo quella domanda ti ha imposto una scelta. Ti ha insegnato che esista una professione adulta che ti aspetta da qualche parte, una sola, da trovare presto e da difendere per la vita. E ha svalutato quello stavi facendo, o che volevi fare da bambino.

Quella domanda, ripetuta centinaia di volte nei primi quindici anni di vita, è il software che ti hanno installato in testa prima che potessi opporti, e che continuerai a installare nella testa dei tuoi figli finché non scegli di agire diversamente.

La scuola del come

La parola scuola, in greco antico, era skholē, e significava tempo libero: il tempo dei cittadini liberi, sottratto al lavoro, dedicato al pensiero. Adesso la scuola fa il lavoro contrario, cioè prepara al lavoro.

Funziona così. Il bambino entra alla scuola materna a tre anni e ne esce a venticinque, se va all’università o fa un master, dopo aver imparato a scrivere, leggere e contare, a riconoscere i secoli e i fiumi, a tradurre dal latino o risolvere equazioni, dopo aver scelto l’indirizzo della secondaria a undici e deciso a quattordici se diventerà liceale, tecnico o professionale, momento in cui il sistema gli ricorda che esistono carriere alte e carriere basse e che il prestigio è una variabile del percorso. A diciannove c’è l’università, a ventidue il master, tra i ventitré e i ventisei il tirocinio. Da lì il nostro giovane adulto entrerà nel mondo del lavoro, perché avrà finalmente imparato le basi di come farlo. In azienda continuerà ad affinare il come del lavoro, ad aggiornarlo, certificarlo, metterlo sul CV.

Quando un adulto si abbassa ad altezza di bambino e gli chiede “cosa vuoi fare da grande” lo sta orientando verso un menù scritto da altri: astronauta, dottore, avvocato, ingegnere, calciatore, veterinario, YouTuber... E il bambino capisce in fretta: la sua risposta deve appartenere a quel menù.

Fino a quando…

Esprimi un desiderio

Alberto Romero scrive che l’AI è la cosa più simile a una lampada di Aladino.

La lampada inverte il rapporto tra cosa e come. Il genio non si interessa al tuo piano di esecuzione, ai tuoi master, alle tue esperienze pregresse: ti chiede cosa vuoi, e poi se ne occupa lui. Di fronte al genio della lampada il tuo lavoro cambia: non è faticoso né importante sapere come il genio realizzerà i tuoi desideri, ma è importante e difficile scegliere cosa vuoi.

L’AI è la lampada di Aladino. Il valore di esecuzione, la maggior parte di ciò che le scuole hanno insegnato a generazioni di studenti, è delegato a un sistema che costa come un abbonamento mensile a Netflix.

La voce del CV che descriveva il tuo come ha cominciato a essere replicabile. Non tra dieci anni… Adesso, mentre stai leggendo questa frase, mentre i tuoi figli scelgono le scuole superiori, mentre il capo HR della tua azienda finisce di assumere colleghi usando criteri già obsoleti.

Sei diventato bravo nella cosa sbagliata, dice Romero. E tuo figlio sta studiando la stessa cosa sbagliata, dentro un sistema scolastico che continua a produrre specialisti del come per un’economia che del come ha ogni mese meno bisogno. La domanda che ti hanno fatto a sei anni, e che tu adesso fai a lui credendo di interessarti al suo futuro, è stata progettata per un mondo che si è già dissolto.

Il filtro interiore

Se il come diventa accessibile, l’unica cosa che conta è cosa scegli di farci: cosa ti piace, cosa non sopporti, cosa ti sembra inutile o brillante, cosa vorresti che esistesse nel mondo e ancora non c’è.

Si chiama gusto, in mancanza di una parola italiana migliore. Suona quasi superficiale, evoca al massimo l’arredamento di una casa o la scelta di un vino, e forse per questo l’abbiamo lasciato fuori dalla scuola.

È quello che Rick Rubin descrive nel suo libro L’atto creativo. Rubin non sa suonare uno strumento, non legge la musica, in studio non tocca la console di registrazione. Eppure ha prodotto Run-DMC, Johnny Cash, Adele, Metallica, i Red Hot Chili Peppers e una parte importante della musica americana degli ultimi quarant’anni. La sua risposta a chi gli chiede cosa faccia in studio è una sola: so che cosa mi piace e che cosa no, e su questo sono molto deciso.

Rubin si occupa del cosa, mentre il resto del mondo si occupa del come. Tutti noi stiamo arrivando al cosa solo adesso, e ci arriviamo spaesati, perché il cosa funziona diversamente da tutto quello che abbiamo imparato finora. La domanda sul cosa non si rilascia, non si certifica, non si compra: si forma nel tempo, dentro la propria necessità, contro la propria pigrizia, e non c’è scuola che possa formularla al posto nostro.

Il gusto non si scarica. Non basta esporsi agli stimoli per svilupparlo. Puoi leggere mille libri, guardare diecimila film, visitare cento città ed essere ancora un turista di te stesso. Hai bisogno di un filtro che si forma facendo, si calibra quando si scontra con il mondo, si verifica nella conseguenza delle tue scelte e dei tuoi errori.

E lo strumento migliore per dargli forma si chiama progetto, cioè la cosa che inizi, porti avanti, fai vedere a qualcuno, lasci entrare nel mondo. Hobby e passioni restano spesso private, mentre il progetto arriva agli altri, e dal feedback degli altri arricchisci la tua capacità di filtrare gli stimoli intorno a te.

La domanda “cosa vuoi fare” non te la fai una volta sola. Dovresti fartela ogni settimana, ogni mese, per ogni progetto.

Le nuove regole del lavoro

Per i genitori

La domanda da fare ai vostri figli non è cosa vogliono fare da grandi, ma che cosa vogliono fare oggi, questa settimana, dentro il progetto o il gioco che hanno appena cominciato. Quello che va stimolato in loro è la capacità di porsi e riporsi la domanda. Una professione scelta a quattordici anni serve a poco, in un mondo in cui le professioni si trasformano più velocemente di quanto le scuole riescano a tenere il passo. Date ai vostri figli tutti gli strumenti, lo spazio per sbagliare, un feedback per migliorare. Il resto lasciatelo a loro.

Per il professionista

La domanda “che cosa vuoi fare” vale anche per te, e a quarantacinque anni è scomoda e importante quanto lo è a sei. Pensaci ogni settimana e lascia perdere le pianificazioni di carriera a quindici anni di distanza. Scommetti su un progetto, poi su un altro, poi su un altro ancora. La tua identità professionale oggi è la sequenza dei progetti a cui hai partecipato, o dei quali sei stato responsabile. La posizione conquistata e difesa appartiene a un altro tempo, quello in cui le persone restavano nella stessa azienda venticinque anni e ricevevano un orologio d’oro quando andavano in pensione.

Per gli imprenditori

State ancora assumendo le persone valutando i loro anni di esperienza, i titoli, le certificazioni, le competenze? Cambiate il filtro: guardate i loro progetti. Chiedete che cosa hanno costruito e con chi. Il CV come lo conosciamo è una mappa del passato, costruita per filtrare persone in un mercato che le selezionava sulla capacità di eseguire. Quel mercato non esiste già più.

Quando chiedi al sistema AI con cui stai lavorando una decisione importante, e quel sistema sa chi sei e che cosa vuoi, la risposta che ricevi ha una qualità superiore. Quello che ottieni è consulenza: un servizio che fino a ieri si pagava e oggi è quasi gratuito.

Nell’era dei contenuti eravamo noi a dover adattare ciò che consumavamo al nostro contesto. Articoli, libri, tutorial, video erano prodotti per un pubblico astratto, e il lavoro di traduzione lo faceva ognuno per sé. Quel lavoro, che a molti costava più dell’informazione stessa, era ciò che rende la consulenza personalizzata un bene di lusso. Oggi, nell’era dell’intelligenza, il lavoro lo fa il sistema, in tempo reale, e lo fa tanto meglio quanto più conosce di te. Il valore migra dalle istruzioni alla loro personalizzazione.

Il prezzo del contesto

Questo nuovo valore esiste a una sola condizione: il sistema deve conoscerti, e tu devi essere disposto a cedergli quello che gli serve per conoscerti. Cedere contesto significa cedere le informazioni più importanti su di te, la materia interna della tua vita. È il materiale che il sistema usa per personalizzare, e che diventa il suo asset.

Il prezzo monetario di questa nuova consulenza tende a zero. Il prezzo in contesto è alto, e quasi mai viene dichiarato esplicitamente. Il modello di scambio è inedito: paghi un servizio con informazione su di te, in continuo, e il fornitore accumula quel pagamento come asset proprio, che cresce di valore a ogni interazione. È un rapporto cliente-fornitore che non aveva equivalenti nella società industriale, dove il pagamento si esauriva nella transazione e l’asimmetria informativa restava limitata.

La fiducia è il moltiplicatore

Il valore reale che il sistema può portarti dipende dalla quantità di contesto che gli affidi. La quantità di contesto che gli affidi dipende dalla fiducia che hai nel modo in cui quel contesto sarà trattato. La fiducia funziona da moltiplicatore: senza fiducia il modello resta superficiale, con fiducia raggiunge la sua piena capacità di servizio.

Questo è il rovesciamento che la maggior parte del dibattito sull’AI ancora non vede. La fiducia smette di essere argine difensivo contro l’estrazione abusiva: diventa la condizione che abilita il valore. Un sistema di cui non ti fidi vale poco, perché non riceve il contesto che lo farebbe valere molto. Un sistema di cui ti fidi accede al contesto profondo, e in cambio ti restituisce un servizio che storicamente era riservato a chi poteva permettersi rapporti personalizzati a costo elevato.

Chi costruisce sistemi di cui ci si può fidare abilita un livello di servizio che gli altri non possono offrire. Chi non li costruisce fa estrazione, e sul medio termine crea le condizioni per il proprio fallimento di mercato. La fiducia è asset che si costruisce in anni di pratica coerente e si distrugge in giorni di mala gestione. Quando l’asimmetria del rapporto diventa visibile, la fiducia si ritira, e con essa il valore che il modello poteva generare.

La risorsa scarsa

L’intelligenza, in senso operativo, sta diventando una commodity. Costa poco, è ovunque, ogni mese di più. Quello su cui l’intelligenza opera, in qualsiasi applicazione di valore, è il contesto specifico di chi la usa, e la qualità del servizio che produce cresce in proporzione alla profondità del contesto disponibile. Per questo il contesto, ricevuto in cambio di servizio, è diventato la materia prima del mercato.

In questa configurazione la fiducia diventa la risorsa scarsa. Scarsa perché difficile da costruire e facile da distruggere. Scarsa perché il mercato la pagherà a multipli crescenti quanto più cresce il valore che il modello può generare a partire dal contesto che riceve. Più diventiamo dipendenti dalla qualità del servizio personalizzato che l’AI può darci, più la fiducia in chi gestisce il sistema diventa l’asset strategico che decide chi accede al contesto profondo.

Le aziende che oggi stanno costruendo interfacce con la proprietà di catturare contesto stanno definendo le condizioni di accesso al mercato dei prossimi dieci anni. La pubblicità non può replicare quello che la fiducia tecnicamente garantita rende possibile, perché la fiducia di cui parliamo non è una promessa, ma un’infrastruttura tecnologica verificabile.

La domanda che orienterà molte decisioni private e professionali nei prossimi anni riguarda a chi cedere il proprio contesto, con quali garanzie verificabili, e con quale possibilità di smettere quando si vuole. Cedere contesto è ormai parte del modello, e rinunciarci significa rinunciare al valore che il sistema può portare. L’intelligenza è gratis; la fiducia costa sempre di più.

“Dobbiamo fare in modo che i clienti costruiscano davvero insieme a noi, e che ci vedano come un insieme di capability da utilizzare per realizzare i loro desideri in modo rapido, semplice, di valore.”

In una frase, Jack Dorsey ha ridefinito tre cose insieme: cos’è un prodotto, cos’è un’organizzazione, e che ruolo hanno i clienti/utenti.

Per duemila anni un prodotto è stato un oggetto finito: una sedia, una macchina, un servizio bancario, un’app. L’organizzazione lo progetta, lo costruisce, lo consegna e il cliente lo usa. Tra le due parti corre una linea che ha definito l’economia industriale, dal Settecento a oggi.

Il prodotto contemporaneo cambia natura: diventa la composizione momentanea di capability che un’organizzazione presenta a un utente specifico, in risposta a un desiderio specifico, in un momento specifico. Lo stesso prodotto, di fronte a un desiderio diverso, presenta una composizione diversa delle stesse capability. Non si tratta di personalizzazione: il prodotto esiste come potenziale dentro l’organizzazione e prende forma quando viene richiesto. Prima della richiesta, non c’è.

L’organizzazione è l’insieme delle sue capability

Se il prodotto è una composizione di capability, lo è anche l’organizzazione che gli sta dietro. Le persone che lavorano nell’organizzazione smettono di essere assegnate a un prodotto e diventano custodi di capability. Il loro lavoro non è eseguire un piano top-down, ma tenere viva una capability che sarà richiesta dagli utenti/clienti, in risposta a desideri che possono non essere ancora articolati dall’organizzazione.

L’organizzazione che si pensa così non pianifica più la propria roadmap come atto di volontà del management: la scopre, capability dopo capability, attraverso le richieste che arrivano dall’esterno. La sua visione si verifica e si arricchisce nel momento in cui incontra i desideri dei suoi utenti/clienti.

L’utente è dentro la rete produttiva

Quando un utente apre un’interfaccia conversazionale e descrive in linguaggio naturale quello che vuole, fa due cose:

1. chiama una composizione di capability esistenti, e la usa

2. se il suo desiderio non trova nessuna composizione disponibile, indica all’organizzazione le capability che potrebbe sviluppare

Questa seconda attività cambia la natura del rapporto tra organizzazione e utente. Ogni desiderio non soddisfatto articolato in interfaccia è una richiesta di una nuova capability all’organizzazione. È l’utente a dire cosa serve, a definire la roadmap: non con sondaggi, form o recensioni, ma con delle conversazioni che avvengono nel momento esatto in cui il desiderio prende forma.

L’utente che svolge questa funzione smette di essere un cliente. Diventa un nodo della rete produttiva dell’organizzazione, alla pari di chi lavora nel team interno. La distinzione tra dentro e fuori, tra chi produce e chi consuma, si dissolve. E questo è possibile per un fatto tecnico: l’AI e la sua interfaccia conversazionale sono il punto dove consegna e ricezione di informazioni avvengono nello stesso istante, sullo stesso layer, attraverso lo stesso canale.

La distribuzione del valore

Il valore generato dagli utenti contributori non torna indietro automaticamente. Senza un meccanismo esplicito, resta dove arriva per primo, cioè all’organizzazione.

Le forme di redistribuzione del valore che conosciamo hanno già mostrato i loro limiti. La platform economy ha catturato privatamente il valore generato da miliardi di utenti, redistribuendone una frazione a una élite. La creator economy ha aperto canali monetari a chi produce contenuti, ma sempre dentro logiche di intermediazione e algoritmo che decidono chi vede cosa. L’open source ha costruito infrastrutture critiche del software contemporaneo affidandosi alla contribuzione volontaria, con problemi noti di manutenzione. La blockchain ha tentato di codificare nei protocolli stessi la proprietà distribuita: in alcuni casi ha funzionato, in molti altri ha generato speculazione.

La mia posizione è che la redistribuzione non deve essere necessariamente monetaria. Probabilmente nei prossimi anni il denaro sarà solo una delle forme con cui circola valore tra organizzazioni e contributori. Riconoscimento esplicito, accesso privilegiato, partecipazione, proprietà parziale via quote o token, restituzione in servizi: sono forme legittime, e nessuna è ovvia per un’organizzazione costruita nel modello industriale del Novecento.

Ma il meccanismo di redistribuzione deve esserci, e deve essere esplicito. Senza un meccanismo dichiarato e verificabile, l’organizzazione resta estrattiva, anche se il suo linguaggio si veste di cooperativismo, di valore condiviso, di purpose. La verifica passa da tre domande, e queste tre domande sono il lascito operativo di questo pezzo:

1. Chi decide cosa fare con il valore generato dalla rete? (Governance)

2. Chi vede i flussi di valore in entrata e in uscita? (Trasparenza)

3. Chi possiede gli asset costruiti collettivamente, dai dataset ai modelli ai marchi? (Proprietà)

Se le risposte a queste tre domande non includono i contributori, l’organizzazione è estrattiva, indipendentemente da come si descrive.

Le organizzazioni che capiranno questa cosa per prime tratteranno il loro modello di redistribuzione come un asset strategico. Per le altre, arriverà il momento in cui i contributori smetteranno di contribuire, oppure inizieranno a chiedere il conto.

Una buona parte del valore che muove il mondo non viene catturato dal PIL, ma non per questo non è valore.

Wikipedia è scritta da contributori volontari e il suo sapere resta a disposizione di tutti. La conoscenza scientifica avanza grazie alle peer review di ricercatori non pagati e diventa patrimonio comune. Il software open source è l’infrastruttura su cui poggia gran parte dell’economia digitale, e nessuno lo possiede.

Cucinare, lavare, tenere insieme una famiglia, crescere un figlio. Stare accanto a un genitore che nemmeno sa più chi sei. Le donne hanno tenuto in piedi il Novecento facendo queste cose senza essere pagate, e una parte enorme del lavoro di cura continua a funzionare nello stesso modo. Senza questo lavoro invisibile non ci sarebbe niente di quello che chiamiamo società.

Il volontario alla mensa la domenica mattina, la vicina che porta la spesa al pensionato del piano di sotto, l’amica al telefono alle tre di notte, il fratello maggiore che fa i compiti al piccolo. In italiano li chiamiamo gesti di gentilezza, ma sono veri lavori su cui si reggono le nostre comunità.

Tutto questo valore che il PIL non vede torna sempre alla rete che lo ha prodotto. Resta nelle famiglie, nei quartieri, nei saperi condivisi, nelle infrastrutture comuni.

Ma esiste anche un altro valore che il PIL non vede, quello che non torna ai lavoratori che lo producono.

Il moderatore che anima una community per anni, e poi la scopre venduta a OpenAI. L’illustratrice i cui quadri hanno addestrato un modello che oggi compete con lei. Lo sceneggiatore che trova le sue battute in un dataset, senza averlo permesso. L’utente che corregge un chatbot mille volte, per renderlo mille volte più rapido e capace di lui. Il paziente che alimenta un modello sanitario di un’azienda privata. Sono tutti lavoratori: producono valore, ma qualcun altro lo cattura.

Per un secolo e mezzo abbiamo chiamato lavoro quello dentro un contratto. Quel tipo di lavoro esiste ancora e mai come oggi ha bisogno di essere difeso. Ma il valore prodotto fuori dal contratto è enorme e continua ad aumentare. Dove andrà a finire?

La mia risposta possibile è una sola: redistribuzione. Redistribuire vuol dire riconoscere che il valore prodotto da una rete deve tornare, in qualche forma, alla rete che lo ha prodotto. Per i commons e le reti di solidarietà o di cura la redistribuzione avviene in modo naturale, ed è bellissimo. Per le interfacce, i dataset, le community e le piattaforme, invece, la redistribuzione deve diventare il modello economico esplicito. Non è una concessione che le organizzazioni ci faranno per generosità. È una richiesta che cominceremo a fare, e poi a pretendere. Sta già accadendo con gli sceneggiatori, con gli artisti, con gli autori. Accadrà ovunque qualcuno contribuisce a qualcosa che qualcun altro tiene per sé.

Basta comportarci da utenti o consumatori. Pensiamoci co-produttori, co-creatori, collaboratori. E iniziamo a chiedere il conto.

Il lunedì c’è una riunione delle tribe. Due volte all’anno c’è un offsite in un agriturismo. Sul muro dell’ingresso ci sono i valori, ben impaginati, con il font corretto. In Slack esiste un canale #random dove i manager postano la foto del cane.

Le chiamano community, ma sono solo aziende le cui “culture” sono diventate trucchi con cui prendersi una parte di identità che dovrebbe restare tua.

C’è vita oltre all’azienda

Pensa a come scegli di stare nelle community fuori dal lavoro. La tua famiglia, il gruppo degli amici, la squadra di calcetto, il club del libro, il volontariato, il quartiere dove abiti. Non hai mai firmato un contratto con nessuno di questi gruppi. Partecipi con intensità diverse, in momenti diversi della tua vita. Puoi essere il centro del gruppo dei tuoi amici per tre anni e poi diventare quello che vede gli altri ogni due mesi, senza che questo distrugga il vostro legame. Nessuno ti chiede di scegliere tra la famiglia e la squadra di calcetto. Sono mondi paralleli, e ognuno contribuisce a farti diventare la persona che sei.

La mia ipotesi è che il lavoro debba diventare così. Che un individuo possa partecipare a più organizzazioni con gradi di adesione differenti, esattamente come fa fuori dal lavoro, e che questo lo renda una persona più ricca e un professionista più utile. Per se stesso, e per le organizzazioni a cui contribuisce.

L’identità come ricerca

Le aziende non sono community per due motivi. Il primo è che non hanno un’identità; il secondo è che trattano l’adesione come un interruttore, on o off, dentro o fuori.

Quando un’azienda scrive i suoi valori o pubblica il manifesto della sua cultura non sta definendo un’identità. L’identità di una community non è una lista di parole o aggettivi. È l’ampiezza del problema che sta cercando di risolvere, la portata del percorso di esplorazione che ha deciso di intraprendere, la lunghezza dell’infinite game che vuole giocare.

Più il problema è grande, più il percorso è lungo, più la ricerca è onesta, più la community attira persone che vogliono portare un pezzo a quella ricerca. Wikipedia vuole rendere accessibile la conoscenza umana, Linux vuole costruire un sistema operativo aperto e di qualità: sono ricerche talmente grandi da non essere completabili da una singola entità, e talmente chiare da permettere a chiunque di capire come contribuire.

Una ricerca vera si riconosce da tre cose:

1. Si vede nel bilancio, perché l’organizzazione deve investirci soldi e non solo parole

2. Si vede nelle connessioni che costruisce e nella profondità culturale di quello che produce

3. Si vede dal suo percorso evolutivo continuo

Se una di queste tre cose manca, la ricerca è cosmetica. E la cultura aziendale è quasi sempre cosmetica: non nasce da un desiderio di esplorare e risolvere un problema, ma da una necessità pratica di mercato, che ha a che fare con pressioni specifiche: talent acquisition, talent retention e posizionamento verso il mercato e gli investitori.

Gradi di membership

Ti racconto come stiamo costruendo Cosmico-come-Community, perché è il modo più semplice di spiegare concretamente quello che intendo.

Immagina Cosmico come una serie di cerchi concentrici.

Nel cerchio più largo ci sono le persone che ci ascoltano: ci seguono sui social, leggono quello che scriviamo e pensano che Cosmico sia un esperimento sociale o una piccola media company sul lavoro. Il loro contributo è la loro attenzione.

Un passo più dentro ci sei tu, con gli iscritti alla newsletter Work After e alla piattaforma online, che avete scelto di ricevere quello che produciamo e rispondete, commentate, condividete e partecipate ai nostri eventi.

Ancora più dentro ci sono le persone che si sono dichiarate desiderose di collaborare con noi, e che ci hanno dato informazioni su di loro per essere coinvolte in progetti con i clienti.

Tra di loro esistono già ulteriori gradi. I mentor sono professionisti più avanti nel percorso che hanno scelto di dare gratuitamente una parte del loro tempo ad altri della community. I coordinatori locali stanno attivando community di Cosmico nelle loro città e organizzano gli eventi sul territorio.

Poi c’è il team esteso, con i collaboratori che partecipano ai progetti dei clienti. E il core team, con i fondatori e le persone che ogni giorno tengono insieme la struttura di Cosmico.

E ci sono anche gli advisor, gli investitori, i professionisti e i creator di Flatmates e di Creative Harbour. Anche i clienti fanno parte della community, perché scelgono di aderire con diversi gradi di coinvolgimento, dalla collaborazione alla partecipazione alle nostre iniziative di formazione ed eventi.

È una rappresentazione a cerchi. Al centro c’è chi definisce il percorso di ricerca e intorno, attratti magneticamente da questa ricerca, ci sono persone con gradi diversi di partecipazione, ognuno con ruoli, permessi e tipi di contributo riconoscibili.

Nessuno di questi cerchi funziona come un’assunzione tradizionale. Nessuno è obbligato a stare, l’accesso è libero, i permessi crescono con il contributo.

Gig economy? No grazie

Quindi stai travestendo la precarizzazione da liberazione? Stai dicendo alle aziende che non devono più assumere persone, e ai lavoratori che devono accettare di essere collaboratori part-time di dieci entità diverse?

No.

La gig economy frammenta e scarica il rischio sul lavoratore. Ti paga a prestazione, ti nega le tutele, ti chiede disponibilità totale in cambio di zero stabilità. La community con gradi di membership fa l’opposto: accoglie intensità di partecipazione diverse senza chiedere devozione, e riconosce che ogni grado ha un contributo e un valore.

Le organizzazioni del Novecento hanno costruito la loro identità sull’idea che il dipendente ideale fosse quello che si identificava al 100% con l’azienda. Quella pretesa oggi non regge più, e non per colpa dei lavoratori. Non regge perché le organizzazioni hanno bisogno di recettori di segnali che interpretino il mondo e restituiscano all’organizzazione informazioni che da sola non riesce a cogliere, e di cui avrà sempre più bisogno. Le persone con uno sguardo ampio sono più utili delle persone con uno sguardo devoto. E lo sguardo ampio si costruisce attraversando più entità, non sposandone in una sola.

L’azienda che pretende devozione si auto-limita, ripete se stessa, non si contamina. L’individuo che dà devozione a una sola entità si impoverisce, perde i contesti che lo aiuterebbero a vedere meglio anche l’entità principale a cui appartiene. Wikipedia, Linux, la scienza moderna funzionano perché chi contribuisce ha altri pezzi di vita, altre competenze, altri contesti. Se tutti i contributori di Wikipedia facessero solo Wikipedia, Wikipedia sarebbe molto peggiore di com’è.

Le nuove regole del lavoro

Per te

Attraversa più community
Non una sola azienda, non un solo ambiente, non un solo gruppo di colleghi. Ogni appartenenza ti dà uno sguardo in più, e lo sguardo in più è quello che ti rende utile.

Scegli l’intensità con cui partecipi
Non tutte le community richiedono lo stesso livello di coinvolgimento, e la tua energia non è infinita. Identifica dove vuoi stare al centro e dove in periferia.

Verifica l’identità, prima di aderire
Quando stai per unirti a un’organizzazione chiediti qual è il problema che vuole risolvere, quanto è onesta la sua ricerca e quanto è capace di evolvere costantemente. Guarda dove investe i soldi, che cosa pensa, con chi dialoga. Se la cultura sta solo impaginata bene sul sito, passa oltre.

Per le organizzazioni

Definite la vostra ricerca
Non i valori, non la mission, non il tone of voice. La ricerca: qual è il problema grande che state cercando di capire e affrontare, quanto è lungo il cammino, quanto sarete onesti nel mostrare dove siete arrivati e dove state incontrando difficoltà. Questa è l’unica identità che attrae un contributo profondo e utile.

Date un nome ai gradi di membership
Smettete di trattare il mondo in due categorie, dipendenti e non-dipendenti, dentro o fuori dall’azienda. Mappate i gradi reali di contributo già presenti nella vostra organizzazione: follower, utenti, clienti, partner, advisor, alumni, collaboratori occasionali, team interno. Date un nome a ogni grado, riconoscete i diritti e i modi di contribuire che corrispondono a ciascuno.

Investite nella ricerca
Se la vostra identità è la ricerca, deve esserci una voce di spesa che la sostiene: tempo delle persone, partnership, pubblicazioni, eventi, sperimentazioni. Se non c’è, la ricerca non è vera.

Rinunciate alla devozione
Accettate che le persone del vostro team facciano anche altro, contribuiscano ad altre community, abbiano una vita professionale che non inizia e finisce dentro di voi. Pretendere monopolio sull’identità professionale delle persone è il modo più rapido per perdere quelle che vi servono davvero.

Fate entrare clienti e utenti nella community
Non come target di marketing, come partecipanti. Organizzate momenti di incontro, formazione, confronto. Rendete il loro contributo visibile. Chi compra e usa i vostri prodotti è già parte della vostra organizzazione, anche se non l’avete ancora riconosciuto.

“Smetteremo di fare”, “Diventeremo orchestratori.” L’ho detto anch’io, più di una volta, nei talk e negli articoli dell’ultimo anno. Le macchine faranno la parte operativa e a noi resterà dirigere, coordinare, supervisionare. È un racconto che promuove tutti, da esecutori a direttori d’orchestra. Il problema è che… è sbagliato!

Questa settimana abbiamo inaugurato i Live Talk di SuperAgents con Simone Cicero, fondatore di Boundaryless e autore di Through The Boundary, una nuova newsletter su piattaforme, organizzazioni e AI a cui ti consiglio di iscriverti. Tra i temi che abbiamo trattato con Simone c’è l’intervista di Jack Dorsey a Sequoia Capital, rilasciata poche settimane dopo From Hierarchy to Intelligence di cui ho scritto in Informazione libera.

Dorsey prende il ruolo più diffuso nelle organizzazioni, il manager, e lo smonta.

Quattro funzioni per un manager

Chiedete a un manager cosa fa e vi risponderà con il nome del reparto o del progetto che segue. Chiedetegli come passa le giornate e la risposta cambia: riunioni, allineamenti, one-to-one, email. Se resta tempo, lavora.

Chi gestisce persone mescola quattro funzioni operative: lavora, o almeno conosce il lavoro abbastanza da valutarlo; si prende carico dei risultati e risponde quando qualcosa fallisce; si occupa della crescita professionale delle persone intorno a sé; e instrada informazione, spostandola tra i livelli, allineando i team, riportandola a chi decide.

La quarta funzione mangia le altre tre, e le mangia perché la struttura gerarchica, da duemila anni, rende l’instradamento necessario a ogni livello. Ma il realtà il manager è un pacco: costruire, decidere, occuparsi della crescita professionale delle persone e instradare l’informazione convivono nello stesso ruolo. Almeno fino a ora, perché la tecnologia disponibile non ha mai permesso di distribuirle diversamente: la gerarchia ha sempre avuto bisogno di quei nodi umani per far passare il contesto tra i livelli, e finché i nodi erano lì, tanto valeva caricarli anche del resto.

Il world model di Dorsey, l’intelligenza che Block costruisce al centro della propria organizzazione alimentandola con ogni artefatto prodotto dall’azienda (codice, design, decisioni, conversazioni, piani), sostituisce l’instradamento. Il contesto che viaggiava attraverso livelli gerarchici diventa interrogabile da chiunque, aggiornato in continuo, senza intermediari.

La quarta funzione del manager, quella che si mangiava tutte le altre, scompare e il pacco si apre. Restano tre parti che possono andare a persone diverse. Dorsey li chiama ruoli e li potremmo tradurre con tre verbi: costruire, rispondere, far crescere.

Tre verbi, una gilda

Le gilde artigiane operavano con tre figure che rispondono allo stesso problema di Dorsey: come organizzare chi fa, chi risponde, chi insegna.

A Firenze, tra il XII e il XIV secolo, ventuno Arti governavano la vita economica della città. La struttura interna era ovunque la stessa: apprendista, giornaliere, maestro. Tre livelli, tre funzioni distinte, regolate da statuti dettagliati che stabilivano la durata dell’apprendistato, le condizioni di lavoro, i requisiti per avanzare.

L’apprendista entrava in bottega tra i dieci e i quindici anni, con un contratto firmato dal maestro e dalla famiglia del ragazzo che specificava durata, obblighi, competenze da trasmettere. Ci restava dai cinque ai dieci anni, a seconda del mestiere: due per un cuoco, sette in media, fino a dieci per un orafo o un armaiolo. Non studiava il mestiere: lo praticava, producendo oggetti reali per clienti reali nella stessa bottega del maestro, sullo stesso pezzo, sotto la stessa luce, senza ricevere un salario perché il compenso era il mestiere stesso, insieme a vitto, alloggio, vestiti e strumenti. Il suo valore cresceva con la capacità di valutare il proprio output, di distinguere un lavoro fatto bene da uno mediocre. Judgment e taste, le chiama Dorsey: le stesse parole che usa per descrivere la competenza dell’Individual Contributor (IC), il primo dei tre ruoli. L’apprendista sviluppava giudizio e gusto perché era esposto al problema intero: scegliere il materiale, lavorarlo, costruire l’oggetto, rifinirlo, venderlo al prezzo giusto. L’IC di Dorsey recupera quella esposizione. La società industriale l’ha spezzata, frammentando il lavoro in task isolati e restringendo il giudizio al micro-problema: questo codice è scritto bene? questa interfaccia è usabile? L’apprendista della bottega si chiedeva non solo se l’oggetto funzionava, ma anche se il cliente l’avrebbe desiderato, e se il prezzo era quello giusto. L’AI produce i task, mentre l’IC vede il problema che li tiene insieme e agisce per risolverlo.

Il giornaliere (journeyman, da journée: giornata lavorativa, un’etimologia che dice tutto sulla natura del rapporto) era un artigiano formato, pagato a giornata, libero di spostarsi tra botteghe e contesti applicando la propria competenza dove serviva. Nelle gilde tedesche la mobilità era obbligatoria: il Wanderjahre, gli anni di peregrinazione, durava almeno tre anni e un giorno, e il giornaliere viaggiava attraverso mezza Europa prima di potersi candidare a maestro. In Italia e in Francia la regola era meno rigida, ma la pratica comune: un artigiano che avesse lavorato in botteghe diverse, con maestri diversi, in città diverse, portava un giudizio più largo di chi era rimasto fermo. Era l’IC con una libertà che l’organigramma moderno ha cancellato.

Il maestro era chi apriva bottega, e per farlo doveva produrre un capolavoro. Il termine viene da lì: capo (il culmine) e lavoro, calco del francese chef-d’oeuvre. Il primo uso documentato risale alla gilda dei pittori di Parigi nel 1391. Non era un esercizio accademico: era un pezzo che dimostrava padronanza completa del mestiere, eseguito secondo specifiche dettate dalla gilda, in un tempo prestabilito, e giudicato dall’assemblea dei maestri. Se il pezzo passava, restava alla gilda come prova. Poi servivano i soldi: la quota di iscrizione, gli strumenti per la bottega, e un banchetto per gli altri maestri. I figli dei maestri pagavano meno. Nel tempo, la corsia preferenziale per i figli divenne la norma, e il sistema si incrostò: i maestri alzavano gli standard per i giornalieri esterni, bloccavano l’accesso, trasformavano una struttura meritocratica in una ereditaria. Le gilde morirono anche per questo.

Ma nella loro forma migliore, il maestro era chi prendeva il cliente, rispondeva della qualità, coordinava apprendisti e giornalieri. Il DRI di Dorsey (Directly Responsible Individual), il secondo ruolo, fa la stessa cosa: ha responsabilità e accountability su un problema trasversale per 90 giorni, con piena autorità di comporre il team da qualsiasi parte dell’organizzazione. Steve Jobs aveva inventato il termine in Apple mettendo un nome accanto a ogni azione in ogni riunione: accountability su un deliverable. Dorsey ne cambia la scala. Il DRI di Block non è il responsabile di un progetto assegnato dall’alto: identifica il problema, assembla le persone, prende le decisioni, porta il risultato. La sua competenza è l’ownership: prendersi un risultato sulle spalle sapendo che l’eventuale fallimento è suo.

Il maestro era anche chi insegnava, e lo faceva lavorando accanto all’apprendista, perché l’insegnamento non era separato dal lavoro: era il lavoro stesso. Il Player-Coach, terzo ruolo di Dorsey, funziona allo stesso modo: scrive codice, costruisce modelli, disegna interfacce, e contemporaneamente investe nella crescita di chi lavora accanto a lui. Nell’intervista a Sequoia Dorsey dice una frase che nell’articolo scritto non compare: “In the future it’s an assignment, not a reporting structure.” Oggi il Player-Coach è il tuo manager, la persona a cui riporti. Domani è qualcuno a cui vieni assegnato per sviluppare un aspetto del mestiere, e l’assegnazione cambia nel tempo. La crescita professionale delle persone si separa dalla gerarchia. Non cresci perché il capo ti promuove, ma perché qualcuno ti insegna praticando accanto a te. Bello, vero?

La differenza storica tra le gilde e Dorsey è una sola. Le gilde separavano le tre funzioni nel tempo: prima fai, poi rispondi, poi insegni. Dorsey le separa nello spazio organizzativo. Una persona in Block può coprire da uno a tre ruoli in contemporanea. Dorsey stesso dichiara di coprirli tutti e tre, e lo pretende dal suo leadership team. La seniority nella gilda era il tempo: diventavi maestro dopo decenni. La seniority in Block è la densità: quanti verbi riesci a coniugare?

Specializzazione: sì o no?

La bottega esponeva l’apprendista al problema intero. La fabbrica lo ha spezzato in task. L’organigramma del Novecento ha completato la frammentazione organizzando le persone per funzione verticale: marketing, engineering, finance, HR… Ogni funzione vede il proprio task, e il giudizio si restringe a quel perimetro.

Dorsey organizza Block per layer orizzontali del sistema: capabilities (le primitive finanziarie: pagamenti, prestiti, emissione carte), world model (come l’azienda comprende sé stessa e i clienti), intelligence layer (compone le capability in soluzioni), interfaces (Cash App, Square, le superfici che toccano il mondo). L’IC è specialista di un layer, e nell’intervista Dorsey dice che può essere “a salesperson, an engineer, a designer, a product person.”

Le due cose convivono perché il layer ricompone il problema. Un ingegnere e un commerciale nel layer delle capabilities condividono più contesto tra loro, perché lavorano sullo stesso strato dell’architettura aziendale e ne vedono i vincoli incrociati, di quanto ne condividano con colleghi della stessa funzione in un altro layer. Organizzare per layer significa ri-esporre le persone a un problema composito che attraversa competenze diverse, come nella bottega. Organizzare per funzione significa tenerle chiuse dentro il task.

In Addio, job title abbiamo visto che le professioni sono costellazioni di componenti, e che le componenti produttive sono le più esposte all’AI. In Ricomporre il lavoro, incrociando 18.796 task del database O*NET con i dati di Anthropic, abbiamo scoperto che le componenti senza traccia di AI si concentrano in otto famiglie (pianificazione strategica, giudizio sulla qualità, lettura del contesto, compliance, consulenza, supervisione, coordinamento, negoziazione) e attraversano centinaia di professioni: un industrial engineer e un regista condividono il 92% delle categorie di competenza umana, un CEO e un art director il 91%.

Il mestiere è la tua biografia. Il layer è il tuo indirizzo. Vent’anni di codice, o di design, o di vendite, o di finanza ti hanno formato il giudizio. Al sistema interessa dove lo applichi. Il team di DeepMind ha portato le proprie competenze dall’insegnare a una macchina a giocare a Go fino a risolvere il ripiegamento delle proteine, vincendo il Nobel per la Chimica nel 2024. La loro specializzazione non era il dominio, ma un metodo applicato a domini diversi. Quando Dorsey dice che l’IC può essere sales o engineer, sta dicendo che per l’organizzazione quella distinzione è biografica, non strutturale. Come nella bottega: il mestiere ti ha dato gli strumenti, il layer ti dà il problema.

Il gradiente dell’agentività

Con Simone, nel Live Talk di SuperAgents, abbiamo affrontato la domanda che mette in discussione l’intero modello: ha senso separare chi costruisce da chi risponde?

La tesi di Simone, sviluppata in vent’anni di lavoro sulle organizzazioni a piattaforma, è che IC e DRI sono destinati a fondersi. Il rendanheyi di Haier, il più grande produttore di elettrodomestici al mondo, ha riorganizzato 80.000 dipendenti in oltre 4.000 microimprese autonome con tre diritti: decisioni indipendenti, assunzione del personale, distribuzione dei profitti. 12.000 middle manager hanno scelto: diventare imprenditori dentro la nuova struttura o andarsene. Nel primo numero di Through The Boundary Simone scrive che l’AI elimina la sovrastruttura (management, processi burocratici, middle manager come traduttori di contesto) e rende più necessaria la struttura: topologia delle unità, tassonomia dei prodotti, contratti tra le parti, semantica condivisa sul valore che l’organizzazione produce. In questo modello ogni unità costruisce e risponde. Il verbo è uno solo.

È il punto di arrivo, ma la distanza tra qui e lì è il problema vero.

La società in cui viviamo ha allenato le persone a rispettare regole e completare compiti per quarant’anni: venti di scuola costruita sul modello dell’esecuzione (studia, ripeti, vieni valutato) seguiti da venti di gerarchia aziendale costruita sullo stesso schema (ricevi obiettivi, esegui, vieni misurato). L’agentività imprenditoriale che il modello di Simone presuppone, la capacità di identificare un problema, assumersi il rischio, comporre le risorse, portare un risultato e accettarne le conseguenze, è assente dal bagaglio della maggior parte dei professionisti che conosco. Per design del sistema, non per limiti delle persone. Riformare scuole, modelli formativi e aspettative culturali richiede una generazione.

I tre verbi di Dorsey sono una risposta a questo vincolo. Sono tre gradi di agentività crescente. L’IC agisce con giudizio sul problema composito del proprio layer, vedendo i vincoli incrociati che la specializzazione per funzione nascondeva. Il DRI agisce con mentalità imprenditoriale su un problema trasversale, con autorità di comporre il team e responsabilità sul risultato. Il Player-Coach agisce sulle persone, leggendo chi ha davanti e calibrando il supporto. Chi ha il mindset imprenditoriale fa il DRI. Chi non ce l’ha ancora fa l’IC, con più autonomia e più contesto di quanto la gerarchia tradizionale gli abbia concesso in vita sua.

Quello di Dorsey è un modello di transizione, onesto nel riconoscere che la maggior parte delle persone non è pronta per “tutti imprenditori domani.” Il cerchio al posto dell’organigramma, con l’intelligenza al centro e le persone al bordo ciascuna con il proprio grado di agentività, è una stazione intermedia verso la rete di cellule autonome che Simone descrive. E una stazione intermedia costruita bene può durare più a lungo della destinazione.

L’ultimo ruolo che resiste

Dorsey nell’intervista dice che vorrebbe tutte le 6.000 persone di Block in riporto diretto a lui. Oggi la profondità gerarchica massima è cinque livelli. Vuole arrivare a due o tre, e nell’ipotesi estrema a zero.

Con Simone ci siamo chiesti: se sparisse anche il CEO di un’organizzazione, che cosa resterebbe?

Il world model distribuisce il contesto a tutti, ma un’informazione simmetrica non produce decisioni simmetriche. Qualcuno sceglie le priorità tra problemi concorrenti. Qualcuno decide chi è DRI su cosa, qualcuno stabilisce i vincoli entro cui il sistema opera, i trade-off che l’organizzazione accetta, le cose che sceglie di fare e quelle che sceglie di non fare. Eliminando i livelli intermedi, Dorsey concentra queste funzioni in una persona sola. Il centro dell’organizzazione si svuota di persone e si riempie di intelligenza; il bordo si popola di IC, DRI e Player-Coach; e il CEO resta perché incarna qualcosa che il world model non contiene: la direzione. Nell’intervista la descrive come “costantemente allineare l’intelligenza verso il risultato che pensiamo sia giusto” e ammette che il suo compito è verificare che il cerchio di umani al bordo funzioni. È il DRI dell’organizzazione intera, l’IC che ne costruisce l’architettura, il Player-Coach del suo leadership team. Tutti e tre i verbi in una sola persona.

Simone offre una chiave diversa nella sua newsletter: l’identità di un’organizzazione sta nelle scelte che fa, nei vincoli che si impone, nei trade-off che accetta. Se il CEO incarna quei vincoli, toglierlo significa renderli espliciti, codificati, condivisi. È il context engineering di cui scrive: costruire il contesto che produce coordinamento. Il CEO potrebbe essere l’ultimo ruolo che resiste allo spacchettamento. O il primo che dovrebbe essere tradotto in un protocollo.

La carriera non è una scala

Se i ruoli sono verbi, la progressione lineare perde senso. IC → manager → director → VP descriveva una traiettoria dentro un sistema dove salire significava gestire pacchetti più grandi. Spacchettato il manager, la traiettoria cambia forma.

Espandi i verbi che sai coniugare. Inizi costruendo: è dove sviluppi il giudizio sul problema intero, dove accumuli la biografia professionale che nutrirà tutto il resto. Poi impari a rispondere di un risultato, a prenderti un problema e portarlo a destinazione. Poi impari a far crescere qualcuno, praticando accanto a una persona e trasferendole ciò che sai. La maturità professionale si misura sui verbi che combini.

La transizione ha tre velocità che non si aspettano a vicenda:

1. Come individuo puoi iniziare lunedì: chiediti cosa hai costruito questa settimana, di cosa hai risposto, chi hai fatto crescere, e dopo qualche mese scoprirai dove sei forte e dove il verbo è vuoto.

2. Come organizzazione il lavoro è più lento: job description, livelli retributivi, sistemi di valutazione sono costruiti sui nomi, e ricostruirli sui verbi significa ridisegnare il modo in cui assumi, valuti e paghi le persone.

3. Come sistema la trasformazione richiede decenni: i CV chiedono job title, le job description chiedono competenze di dominio, LinkedIn ti fa scegliere un ruolo da un menu a tendina. Il sistema è costruito sui nomi e cambierà per ultimo.

La buona notizia: puoi coniugare i tuoi verbi anche dentro un sistema che parla per nomi. La cattiva: il sistema non ti aiuterà a farlo.

Cosa costruisci?
Di che cosa rispondi?
Chi fai crescere?

Ogni prodotto, ogni servizio, ogni processo organizzativo è fatto di nodi che hanno un valore diverso. Alcuni sono il motivo per cui il tuo prodotto o la tua organizzazione esiste, il punto dove si concentra la differenza tra te e tutti gli altri. Alcuni sono specifici del tuo contesto: li costruisci perché nessun servizio esterno lo conosce come te. Altri sono problemi risolti: li compri perché costruirli sarebbe uno spreco di risorse.

La prima domanda da farti è: dove sta il valore del mio prodotto o della mia organizzazione? La risposta determina dove metti le persone migliori, dove investi i soldi, cosa fai e cosa smetti di fare.

La seconda domanda, più difficile, è: quando, come e perché il valore si sposta? Ciò che oggi è il cuore del tuo prodotto tra un anno potrebbe essere un servizio che compri. Ciò che oggi compri potrebbe non essere più abbastanza, e richiedere investimenti e attenzione.

Per rispondere a entrambe le domande serve scomporre. Prendere il prodotto, il servizio, il processo, l’organizzazione e separarne i nodi. Poi chiedersi, per ciascun nodo, che lavoro fa, in che stadio è, come misuro se funziona e quando cambio strategia.

Come scomporre il lavoro

Parti dalla fine
Da ciò che qualcuno riceve: il cliente che riceve la campagna, l’utente che apre il prodotto. Poi risali la catena chiedendoti cosa è servito per produrre quel risultato. Ogni risposta è un nodo.

Ogni nodo fa un lavoro che rientra in quattro tipi:

1. Consegna: far arrivare il risultato alla persona giusta nel momento giusto.

2. Interpretazione: trasformare un dato in qualcosa su cui una persona può agire, aggiungendo il contesto che trasforma un numero in una decisione.

3. Rilevazione: confrontare, classificare, riconoscere regolarità nei dati.

4. Arricchimento: portare dentro dati dall’esterno e renderli utilizzabili.

Esempio: un recruiter piazza un candidato in un’azienda. Parti dalla fine, dalla persona assunta che inizia a lavorare nel team: quella è la consegna. Per arrivarci qualcuno ha valutato il candidato rispetto al bisogno del team, aggiungendo contesto oltre il CV: quella è interpretazione. Prima ancora, qualcuno ha confrontato decine di profili con i requisiti e ne ha selezionati cinque: quella è rilevazione. E ancora prima, qualcuno ha raccolto i CV, i dati sugli stipendi di mercato, le referenze, le informazioni sull’azienda che assume: quello è arricchimento.

Simon Wardley ha dedicato vent’anni a studiare come questi nodi evolvono lungo un asse che va da genesis (nuovo) a commodity (standardizzato). Le sue mappe ti dicono dove ogni nodo si trova e quanto è maturo. Il tipo di lavoro aggiunge una dimensione, cioè dice quale funzione svolge il nodo nella catena e anticipa dove si muoverà: l’arricchimento tende a diventare un servizio che compri e l’interpretazione tende a restare il cuore del prodotto, perché il contesto specifico del tuo cliente e del tuo mercato è la cosa meno replicabile.

Queste informazioni danno una fotografia. Per trasformarla in uno strumento operativo ne servono altre due:

1. Cosa misuri, e in quanto tempo
   Alcuni nodi ti dicono subito se funzionano: correggi una bozza grafica, la mostri al direttore creativo, in dieci minuti sai se va bene. Quando il riscontro è immediato puoi migliorare in fretta, e puoi anche far fare il lavoro a un agente AI che prova, misura, tiene ciò che funziona e scarta il resto (Andrej Karpathy chiama questo ciclo autoresearch). Altri nodi ti dicono se hanno funzionato dopo settimane o mesi: hai assunto la persona giusta? Lo sai tra sei mesi, quando la vedi lavorare, decidere, relazionarsi col team. Quando il riscontro è lento, servono occhi umani e tempo per leggere i risultati.

2. Quando un nodo cambia, e verso cosa
   La regola anticipata è una decisione che prendi con calma oggi per un cambiamento che arriverà domani. Scrivi una soglia e un’azione. Esempio: se un format creativo viene approvato dal cliente senza modifiche nell’85% dei casi per tre mesi, quel format diventa un template e il direttore creativo smette di rifarlo ogni volta. Esempio 2: se il tempo di sviluppo di un’interfaccia standard scende sotto le due ore, quello sviluppo esce dalle stime di progetto e diventa un costo fisso. Se condizione misurabile, allora cambiamento concreto. Senza la condizione non sai quando agire; senza il cambiamento, ridiscuti ogni volta da zero.

Quindi?

Fin qui è metodo. Le cose interessanti emergono quando lo applichi e scopri che:

Il valore non è dove pensi

Due agenzie creative. Dall’esterno fanno lo stesso lavoro: campagne per clienti, produzione visiva, strategia di comunicazione. Dentro, la mappa è diversa.

Nella prima il valore è nell’interpretazione. La direttrice creativa ha vent’anni di esperienza nel lusso, conosce tutto del mercato e il suo giudizio è la ragione per cui i clienti pagano. La produzione è in transizione verso commodity: Midjourney e Runway generano bozze che il team poi raffina. La ricerca di mercato è già automatizzata. La regola anticipata sulla produzione è quasi scattata, e quando scatterà l’agenzia potrà ridurre il team di produzione e concentrare le risorse sulla direzione.

Nella seconda il valore è nell’arricchimento, in un posto dove nessuno se lo aspetta. In dieci anni di lavoro nel food&beverage l’agenzia ha costruito un archivio di dati proprietari: per ogni tipo di campagna sa quali messaggi hanno funzionato, con che tasso di conversione, su quali canali, in quali stagioni, per quali fasce di prezzo. Quei dati non li ha nessun altro. Sono il motivo per cui l’interpretazione (il consiglio creativo) è calibrata sulla realtà e non sulle ipotesi. Se quell’archivio venisse trattato come commodity l’agenzia regalerebbe il suo moat.

Stessa industria, stesso nome di mestiere. La mappa dice cose opposte su dove investire.

Stai ottimizzando il nodo che ti dà soddisfazione

Il nodo con riscontro veloce è gratificante: fai un cambiamento, misuri, il numero migliora. Il nodo con riscontro lento è frustrante: fai un cambiamento, non succede niente per settimane. Le persone gravitano verso il primo.

Un team di sviluppo software passa il venerdì a ottimizzare le performance del codice e intanto l’architettura del sistema non la guarda nessuno da tre mesi.

La scomposizione dice una cosa semplice su questa asimmetria: tutto ciò che ha un riscontro veloce e una misura pulita è lavoro perfetto per un agente AI, perché un agente può fare dieci esperimenti in un’ora, misurare, tenere ciò che funziona e scartare il resto senza stancarsi e senza bisogno di gratificazione. Le performance del codice le dai all’agente e liberi il venerdì del team. Le persone lavorano sul nodo col riscontro lento, quello con segnali deboli che arrivano dopo mesi, ma che genera più valore.

Una regola è già scattata e nessuno l’ha vista

Una società di consulenza prepara proposte commerciali su misura per ogni cliente. Il partner ci lavora due giorni ogni volta. Ma nel 75% delle proposte la struttura è la stessa: analisi del contesto, framework di intervento, timeline, pricing, case study di riferimento. Le variabili sono il settore del cliente e la dimensione dell’intervento. Quel lavoro ha smesso di essere consulenza mesi fa (e forse gran parte della consulenza ha smesso di essere tale anni fa): se qualcuno avesse scritto la regola, il partner lavorerebbe due giorni sulle proposte dove il framework non esiste, e due ore su quelle dove esiste già.

La tua identità non è il tuo moat

Un laboratorio di mobili su misura in Brianza ha dodici artigiani, un capannone pieno di macchine e quarant’anni di esperienza nella lavorazione del legno. L’azienda si pensa come un’azienda di produzione. L’investimento è nelle macchine, nelle persone in laboratorio, nei materiali.

Nella stessa zona ci sono altri cento laboratori con le stesse macchine e la stessa competenza. Il motivo per cui i clienti tornano da questo e non da un altro è il titolare: la prima visita a casa del cliente, la capacità di guardare la stanza e capire che il mobile che il cliente ha in testa non funzionerà in quello spazio, la proposta alternativa che tiene conto di come la luce entra dalla finestra e di come si muovono le persone in quella casa. Quella conversazione è interpretazione. La produzione del mobile è il nodo più costoso e più lento, ma non è il moat: è il nodo che cento laboratori nella stessa provincia sanno fare allo stesso modo.

Se il titolare va in pensione e il figlio eredita il laboratorio con le macchine, ma senza la capacità di fare quella conversazione con il cliente, il laboratorio perde il suo nodo di interpretazione e diventa uno dei cento. Le macchine restano, il valore se ne va.

Lo stesso processo in due aziende ha la mappa capovolta

Il recruiting in un’azienda tech che cresce del 100% all’anno e il recruiting in un’azienda manifatturiera della provincia di Brescia hanno lo stesso nome nel gestionale HR.

Nell’azienda tech il nodo dove si concentra il valore è la valutazione: cerchi persone che sappiano lavorare in un contesto che cambia ogni sei mesi, con competenze che non corrispondono a nessun titolo esistente, e la differenza tra un’assunzione giusta e una sbagliata la vedi un anno dopo. Lo screening e il sourcing li automatizzi, i CV li filtra l’AI e liberi tempo per un colloquio lungo e approfondito, quello dove capisci come ragiona la persona.

Nell’azienda manifatturiera il nodo dove si concentra il valore è l’arricchimento: il problema non è valutare i candidati, è trovarli. Operai specializzati, periti meccanici e manutentori non sono su LinkedIn e non rispondono agli annunci. Il sourcing richiede relazioni con gli istituti tecnici della zona, presenza alle fiere di settore, passaparola con i fornitori, contatti con le agenzie interinali giuste. La valutazione è relativamente semplice: sai cosa ti serve e lo verifichi con una prova pratica in mezza giornata.

Stessa funzione nell’organigramma. Se assumi un HR manager per entrambe e gli chiedi di “migliorare il recruiting”, farà le stesse cose in entrambe le aziende. La scomposizione gli direbbe che in una deve investire nella valutazione e nell’altra nel sourcing.

Il modello di prezzo non corrisponde alla mappa

Le agenzie creative vendono giornate di produzione, i team di sviluppo vendono giornate di codice, le società di recruiting vendono ricerca e screening: in tutti e tre i casi il prezzo è costruito intorno al nodo che l’AI sta rendendo commodity.

La scomposizione rende visibile il disallineamento. Ma la conseguenza più interessante non è “alza il prezzo sull’interpretazione”: è che i nodi spacchettati diventano business con logiche diverse.

La produzione creativa, separata dalla direzione, è un flusso automatizzato che puoi offrire al cliente come strumento self-service: dai accesso alla generazione delle bozze, il cliente produce le varianti da solo e tu vendi la direzione strategica come retainer a valore fisso. Lo screening dei candidati, separato dalla valutazione, è un prodotto software: lo automatizzi, lo offri come piattaforma, lo dai in licenza. La valutazione diventa il servizio, con un prezzo legato alla complessità del ruolo. La scrittura del codice, separata dall’architettura, è un costo fisso per funzionalità: l’architettura e la comprensione del bisogno diventano il servizio vero, venduto a progetto con un prezzo legato al rischio di sbagliare.

Il nodo commodity, una volta separato, diventa il canale di distribuzione per il nodo che vale. Regali lo screening e monetizzi la valutazione, regali il flusso di produzione visiva e monetizzi la direzione, offri il codice a prezzo marginale e monetizzi l’architettura.

Dentro ogni servizio ci sono nodi che stanno diventando software e nodi che restano servizio. Il software diventa l’infrastruttura che distribuisce il servizio. Ciò che ieri vendevi caro perché era bundled col giudizio, domani lo regali per portare il cliente alla porta; ciò che ieri regalavi dentro la proposta, domani è il prodotto.

Il contesto come infrastruttura

Il risultato della scomposizione è un protocollo che contiene le proprie istruzioni di aggiornamento. Ogni nodo porta scritto dentro di sé cosa misurare, quando cambiare approccio, quanto spesso verificare, e chi è responsabile del miglioramento. Una persona al primo giorno di lavoro lo legge e sa dove investire attenzione, tempo ed energia. Un agente AI lo legge e sa dove e come lavorare. Questo è context engineering: contesto strutturato che guida le decisioni di chiunque interagisca con l’organizzazione, umano o macchina.

Se distribuisci il lavoro lungo i nodi e le loro proprietà, le persone e le macchine si organizzano intorno. Le competenze si distribuiscono sulla base di ciò che ogni nodo richiede: tipo di lavoro, velocità del riscontro, grado di giudizio necessario. Non sulla base di job title e funzioni che abbiamo così radicati nelle nostre teste da finire per organizzare anche il lavoro con gli agenti AI allo stesso modo: per reparto, per ruolo, per gerarchia.

La mappa si muove.
Muoviti con lei.

• Stai lavorando a progetti AI e hai bisogno di feedback? Entra e raccontali alla community.

• Hai domande sull’AI e non sai da dove iniziare? Entra e trova le risposte.

SuperAgent sarà a pagamento, ma non-profit: ricavato e spese saranno rendicontate pubblicamente e il guadagno sarà reinvestito interamente nella community stessa dove troverai conversazioni online, chat 1:1, webinar settimanali, eventi.

Il prezzo è incrementale, quindi occhio: per i primi 50 iscritti → 49€/anno per sempre, poi da 51 a 100 → 99€/anno per sempre, da 101 a 150 → 149€/anno per sempre, da 151 → 199€/anno per sempre.

Tra i fondatori di SuperAgents ci sono persone e professionisti incredibili come Sarah Corti, Rinaldo Festa, Fabio Franchino, Stefano Gatti, Paolo Gervasi, Stefano Maestri e Marco Merafina.

Nei prossimi giorni partiranno le comunicazioni alla community di Cosmico. Il messaggio arriva a te in anteprima perché segui Work After e vuoi scoprire come sta cambiando il lavoro. Ti aspetto!

Il 26 febbraio 2026 Jack Dorsey ha tagliato 4.000 persone da Block, il 40% della forza lavoro. Un mese dopo Oracle ha licenziato tra 20.000 e 30.000 dipendenti con un’email alle sei di mattina firmata “Oracle Leadership”, senza nemmeno un nome. Amazon, Meta, Salesforce hanno fatto lo stesso, con micro variazioni sul tema. La narrativa ufficiale è sempre l’AI. La realtà è un mix di overhiring pandemico, pressione degli investitori e ristrutturazione finanziaria. Block era passata da 4.000 a quasi 13.000 dipendenti in quattro anni di pandemia. Oracle taglia persone per finanziare 50 miliardi di dollari di data center. In gran parte, sono risposte tattiche a problemi che non c’entrano con l’intelligenza artificiale.

La differenza è che Dorsey, qualche settimana dopo i tagli, ha pubblicato con Sequoia un saggio intitolato From Hierarchy to Intelligence, il tentativo di rispondere alla domanda che tutti gli altri evitano: perché?

A oggi credo sia l’unico documento serio sul tavolo e per questo merita una lettura separata dai licenziamenti. Lo so che è molto complicato riflettere lucidamente sul contenuto di un articolo scollegandolo dal contesto in cui si è sviluppato: le affermazioni vengono da un CEO e dal suo fondo, dopo decisioni che hanno avuto un impatto negativo su degli esseri umani. Non possiamo far finta che questo non sia accaduto. Ma possiamo provare a separare il ragionamento dalla persona, e a giudicarlo solo per il suo contenuto.

Seguimi.

Velocità e successo

Dorsey apre con una dichiarazione: la velocità è il miglior predittore del successo di una startup. Chiude con un’affermazione speculare: le aziende si muovono velocemente o lentamente in funzione di quanto velocemente si muove l’informazione al loro interno.

Tra queste due frasi, Dorsey costruisce un arco storico di duemila anni.

Parte dall’esercito romano, dove otto soldati che condividono tenda, equipaggiamento e un mulo, guidati da un decanus, formano un contubernium. Dieci contubernia formano una centuria sotto un centurione, sei centurie una coorte, dieci coorti una legione di circa 5.000 uomini. A ogni livello, un comandante aggrega informazione dal basso e trasmette decisioni dall’alto. La struttura 8 → 80 → 480 → 5.000 è un protocollo di routing dell’informazione costruito attorno a un vincolo umano: un leader può coordinare tra tre e otto persone. Questo è quello che tecnicamente si chiama span of control.

Dopo la disfatta di Jena nel 1806, Scharnhorst e Gneisenau ricostruiscono l’esercito prussiano attorno all’idea che non possa dipendere dal genio individuale al vertice. Creano il General Staff, una classe di ufficiali il cui compito è pianificare, processare informazione e coordinare. Scharnhorst dice che devono “supportare generali incompetenti, fornendo i talenti che altrimenti mancherebbero alla leadership”. È il middle management prima che il termine esista.

Le ferrovie americane portano questa logica nel mondo civile negli anni 1840-1850. Ingegneri formati a West Point trasferiscono il pensiero organizzativo militare alle compagnie private. Nel 1855 Daniel McCallum della New York and Erie Railroad disegna il primo organigramma della storia per gestire un sistema di oltre 800 chilometri. I treni si scontravano: per questo serviva una struttura formale per governare il flusso di informazione.

Taylor e lo scientific management ottimizzano cosa succede dentro la gerarchia. Nel dopoguerra McKinsey formalizza la matrice per gestire la complessità delle multinazionali. Poi Spotify, Zappos, Valve tentano strade alternative, come le squad e Holacracy: Modelli che, dice Dorsey, faticano a scalare e vacillano quando l’organizzazione cresce, lasciando il posto al management tradizionale.

Duemila anni di innovazione organizzativa sono stati un tentativo di aggirare il compromesso tra span of control ristretto e allargato, senza romperlo. L’AI, secondo Dorsey, è la prima tecnologia capace di rompere quel vincolo, perché può mantenere un modello continuamente aggiornato dell’intera organizzazione e usarlo per coordinare il lavoro senza intermediari umani.

La gerarchia non è il nemico

From Hierarchy to Intelligence suggerisce che gerarchia e intelligenza siano opposte: lasci una per entrare nell’altra.

Ma la gerarchia è un principio organizzativo che esiste ovunque: le api organizzano la colonia per funzione, nel design la gerarchia visiva guida l’attenzione, ogni volta che stabilisci una priorità stai introducendo una gerarchia. Nei budget, nei flussi di lavoro, nelle architetture software, la gerarchia è il modo in cui i sistemi complessi funzionano.

La gerarchia diventa ostacolo quando si lega al potere attraverso il controllo dell’informazione. Quando poche persone al vertice trattengono la maggior parte delle informazioni e ne distribuiscono frammenti al resto dell’organizzazione, la gerarchia smette di essere uno strumento di coordinamento e diventa un’infrastruttura di dominio.

Lo stesso Dorsey, nel suo saggio, descrive questo meccanismo. Il General Staff prussiano nasce per “processare informazione e coordinare”, le ferrovie adottano la gerarchia per gestire il flusso informativo, il middle management esiste perché filtra, interpreta e ritrasmette informazione tra i livelli: la storia che Dorsey ricostruisce è, dall’inizio alla fine, una storia di informazione controllata.

La soluzione che propone, se funziona come la descrive, rende l’informazione simmetrica. Tutti vedono lo stesso contesto. In un’azienda remote-first come Block, dove il lavoro produce artefatti (decisioni, discussioni, codice, design, piani), l’AI può costruire e aggiornare il contesto in continuo.

Il middle manager che Dorsey vuole eliminare è la persona che esiste per instradare informazione tra livelli, e che in molti casi usa il suo ruolo per costruire e mantenere il potere sulle persone. Quando l’informazione circola senza intermediari, la funzione del manager-controllore smette di avere senso. Ma la funzione di coordinamento resta: qualcuno deve decidere le priorità, allocare l’attenzione, valutare la qualità delle soluzioni. Quella è gerarchia di competenza e di responsabilità.

Dorsey ha capito il meccanismo: la velocità dipende dal flusso informativo, la gerarchia del potere lo rallenta perché è stata costruita per controllarlo, l’AI può liberare quel flusso. Il frame giusto per descriverlo è dall’informazione controllata all’informazione liberata. La gerarchia non scompare: cambia natura, perché perde il meccanismo che la rendeva lenta, inutile, dannosa.

Una nuova architettura

La parte più interessante del saggio è l’architettura che Dorsey propone per Block. Si sviluppa su quattro strati:

1. Capability
   Sono le primitive atomiche: nel caso di Block sono le componenti finanziarie dei loro servizi come pagamenti, prestiti, emissione di carte, banking, buy-now-pay-later, payroll. Sono competenze senza interfaccia propria, difficili da acquisire (effetti di rete, permessi regolatori).

2. World model
   Da una parte il company world model è come l’organizzazione comprende se stessa: è il modello che sostituisce l’informazione che passava attraverso i livelli gerarchici. Dall’altra parte il customer world model è la rappresentazione per-cliente e per-merchant costruita dai dati transazionali proprietari di Block.

3. Intelligence layer
   Compone le capability in soluzioni per clienti specifici in momenti specifici. Per il ristorante il cui cash flow si restringe prima di un calo stagionale che il modello ha già visto, il sistema compone un prestito a breve termine e calibra il piano di rimborso. Per un utente Cash App il cui pattern di spesa cambia in modo compatibile con un trasferimento in una nuova città, il sistema compone direct deposit, carta con categorie potenziate per il nuovo quartiere, obiettivo di risparmio calibrato sul reddito aggiornato. Nessun product manager ha deciso di costruire queste soluzioni: le capability esistevano, il layer le ha composte.

4. Interfacce
   Square, Cash App, Afterpay, TIDAL, bitkey, proto sono le superfici di delivery dell’organizzazione. Il valore è nel modello e nell’intelligenza.

Quando l’intelligence layer prova a comporre una soluzione e non riesce perché manca una capability, quel segnale di fallimento diventa la roadmap. La realtà del cliente genera il backlog.

C’è una coincidenza interessante tra il nome dell’azienda di Dorsey e l’architettura organizzativa che propone. L’organizzazione va scomposta in componenti atomiche, in Block, e poi ricomposta con regole nuove.

E le persone?
Per Dorsey sono “on the edge”, ai confini dell’organizzazione, e portano componenti come intuizione, direzione, contesto culturale, dinamiche di fiducia, decisioni etiche. Dorsey lo dice in modo esplicito: le persone vanno dove il modello non arriva, percepiscono cose che il modello non è in grado di percepire, prendono le decisioni che il modello non dovrebbe prendere da solo.

L’AI assorbe la funzione produttiva. Il valore si riorganizza attorno a ciò che diventa scarso: giudizio, contesto, relazione, coordinamento. Dorsey ci arriva dalla storia militare e dall’architettura di Block, mentre negli ultimi numeri di questa newsletter ci siamo arrivati dai dati di Anthropic e dalla decomposizione delle professioni. Due strade indipendenti, stesso punto di arrivo.

Oltre l’organizzazione

Seguiamo la logica di Dorsey. Se il principio organizzativo non è più la funzione produttiva (perché l’AI la assorbe) e non è più il controllo dell’informazione (perché il world model la libera), cosa tiene insieme un’organizzazione? La risposta è nelle componenti di valore che Dorsey stesso elenca per le persone “on the edge”: intuizione, contesto culturale, dinamiche di fiducia, decisioni etiche, giudizio.

Queste componenti attraversano i confini organizzativi per natura. Un professionista che sa leggere il contesto di un mercato, negoziare con gli stakeholder e valutare la qualità di una soluzione non ha bisogno di appartenere a una sola azienda per farlo. Può operare come nodo in più organizzazioni, portando il proprio network e la propria capacità di giudizio dove serve. Anzi, più esce dai confini di una sola organizzazione, più cresce il suo valore fatto di relazioni con i clienti, esperienza, contesto e reputazione.

L’organizzazione è un protocollo che definisce le regole per la collaborazione tra professionisti senza possedere i professionisti, come un protocollo internet definisce le regole per lo scambio di dati senza possedere i nodi della rete. La dimensione dell’organizzazione si misura in nodi nel network di fiducia, il suo meccanismo di coordinamento è la reputazione, il suo valore si sposta sulla densità del network di fiducia.

Ogni volta che un nodo lavora con un nuovo cliente o affronta un nuovo problema porta alla rete un pezzo di contesto che prima non c’era: e più contesto = più valore per l’organizzazione.

Qual è il contesto che solo la tua organizzazione capisce? State nutrendo quel contesto ogni giorno? La vostra comprensione del mondo cresce dentro le mura della vostra organizzazione, o crescerebbe di più se foste una rete?

Marzo 2016, Seoul. Demis Hassabis è nel backstage: il suo programma AlphaGo ha appena battuto Lee Sedol, campione mondiale di Go. Si volta verso David Silver, responsabile del progetto, e dice: “Now is the time.” Nei mesi successivi DeepMind assume un gruppo di biologi e costruisce un team interdisciplinare per affrontare un problema irrisolto da cinquant’anni: predire la struttura tridimensionale delle proteine a partire dalla sequenza di aminoacidi. Nel 2020 AlphaFold risolve il problema. Nel 2024, Hassabis e John Jumper vincono metà del Nobel per la Chimica per la protein structure prediction, mentre l’altra metà va a David Baker per il computational protein design.

Le persone che hanno risolto il protein folding erano gli stessi ricercatori e ingegneri AI che avevano passato anni a insegnare a una macchina a giocare a Go: hanno trasferito le loro competenze di metodo a un dominio che non conoscevano e che hanno studiato immergendosi nel campo, assumendo biologi, studiando la letteratura. Hassabis dice a Scientific American:

Something we do uniquely well at DeepMind is mix that together, not just machine learning and engineering.

Il nucleo della loro competenza è trasferibile, e il dominio può cambiare a seconda del contesto in cui operano: è il rebundling in azione.

Famiglie nascoste

Nell’ultimo numero di Work After abbiamo visto che ogni professione è una costellazione di componenti. Poi abbiamo esaminato i dati del Job Explorer di Anthropic per capire quali di queste componenti sono automatizzate o aumentare dall’AI, e quali ancora no.

Dopo aver scritto quell’articolo ho voluto capire se le componenti che oggi non presentano traccia di AI avessero qualcosa in comune tra professioni diverse. Insieme a Claude abbiamo incrociato le 18.796 task del database O*NET con i dati di penetrazione AI del dataset di Anthropic e abbiamo raggruppato le componenti senza traccia di AI per tipo di competenza, usando un’analisi per parole chiave sulle descrizioni delle task.

Le componenti senza traccia di AI si concentrano in otto famiglie che attraversano centinaia di professioni:

1. pianificazione strategica e decisione (circa 2.100 task, presenti in quasi 600 professioni)

2. giudizio e valutazione della qualità (1.600 task, 550 professioni)

3. lettura del contesto e ricerca (1.300 task, 470 professioni)

4. compliance e governance (1.000 task, 370 professioni)

5. consulenza e relazione con il cliente (900 task, 320 professioni)

6. supervisione e sviluppo delle persone (680 task, 330 professioni)

7. coordinamento degli stakeholder (660 task, 330 professioni)

8. negoziazione (420 task, 240 professioni)

Il dato più interessante è la sovrapposizione di queste componenti tra professioni che nel nostro sistema vivono in universi lontanissimi. Esempio: un industrial engineer e un regista cinematografico condividono il 92% delle categorie di competenza che ho estratto; un CEO e un art director il 91%; un financial manager e un responsabile della logistica il 91%. Se togli la componente produttiva che le rende diverse, il nucleo di queste professioni è lo stesso: coordinare, valutare, negoziare, leggere il contesto, prendere decisioni, supervisionare.

Il sistema produttivo del Novecento tratta questo nucleo come utile, certo, ma subordinato alla “vera” funzione del ruolo, che è quella produttiva. Ancora una volta cito Sangeet Paul Choudary, che in Reshuffle offre il framing giusto per leggere questo spostamento: l’AI non toglie qualcosa lasciando un residuo, ma ristruttura il sistema, e il valore si riorganizza attorno a ciò che diventa scarso. Quando le componenti produttive diventano abbondanti (perché l’AI le esegue a costo decrescente), ciò che diventa scarso sono le componenti di advisory, judgment, coordination, context reading. Le componenti che il sistema trattava come accessorie diventano le componenti di valore: il nucleo attorno a cui lavoro e organizzazioni si riconfigurano.

Perché esistono i dipartimenti

L’organigramma per funzioni (marketing, engineering, finance, HR, …) è la risposta a un problema specifico: coordinare persone con competenze produttive diverse costa. Quando, ad esempio, produrre una campagna richiede strumenti, linguaggi e routine condivise, conviene raggruppare chi le possiede: il reparto marketing esiste per questa ragione. In pratica la funzione produttiva è il collante che tiene insieme il dipartimento.

Alla luce delle analisi che abbiamo fatto sulle componenti delle professioni, però, il collante della produttività sta separando competenze di valore che sarebbero più utili se combinate. La persona nel marketing che sa leggere il contesto del cliente e quella nell’engineering che sa valutare i compromessi tecnici condividono una competenza: il giudizio. Eppure oggi lavorano in silos diversi e si incontrano nelle riunioni cross-funzionali, che esistono per compensare la separazione che la struttura stessa crea.

L’AI comprime i vincoli che giustificavano quella struttura. Il costo del coordinamento crolla: un sistema AI può orchestrare flussi di lavoro tra persone e processi con frizione vicina a zero. Il costo della specializzazione produttiva crolla: l’AI porta la capacità di un ingegnere, un designer, un analista dentro un unico sistema accessibile a chi ha giudizio sufficiente per usarlo. Lo span of control si espande: un professionista potenziato dall’AI può dirigere processi che prima richiedevano un team intero e diversi livelli di supervisione.

La domanda giusta non è “cosa può automatizzare l’AI”, ma quali nuovi sistemi di lavoro può coordinare l’AI. L’AI non automatizza task: ristruttura sistemi. E la ristrutturazione parte dalle organizzazioni.

Addio, dipartimento

Se l’AI assorbe la componente produttiva del marketing e quella dell’engineering, il motivo per cui quelle persone stavano in reparti separati scompare. Nel marketing resta qualcuno che sa capire cosa vuole il cliente e tradurlo in una direzione strategica, nell’engineering resta qualcuno che sa valutare i vincoli e compromessi tecnici e comunicarli a chi decide, nel finance resta qualcuno che sa leggere i numeri e trasformarli in scelte operative.

Queste persone condividono più competenze di valore tra loro che con i rispettivi colleghi di dipartimento. Solo la funzione produttiva le rendeva diverse: senza quella, appartengono alla stessa famiglia professionale applicata a domini diversi.

Se il principio organizzativo non è più la funzione produttiva ma la competenza di valore, la struttura cambia.

I team si formano attorno ai problemi
Un team non è “le persone che sanno fare marketing”, ma le persone che sanno leggere un mercato specifico, giudicare un’opportunità e coordinare una risposta. L’AI fornisce la capacità produttiva che serve di volta in volta: se il problema richiede una campagna la produce, se richiede un prototipo software lo genera, se richiede un modello finanziario lo costruisce. Le persone contribuiscono portando la loro relazione con il cliente, il giudizio calibrato sull’esperienza, la capacità di coordinare stakeholder diversi, la lettura del contesto che richiede presenza e sensibilità culturale.

I ruoli diventano fluidi
La stessa persona può lavorare su un problema di pricing al mattino e su un problema di product design al pomeriggio, perché la sua competenza di valore è trasversale. La specializzazione produttiva che la inchiodava a un dominio non c’è più. Il team di DeepMind non è generalista: è profondo nella sua competenza di metodo e la applica a domini diversi. Lo stesso principio vale per un professionista che sa negoziare, leggere il contesto e valutare la qualità: può farlo in un settore al mattino e in un altro al pomeriggio, con l’AI che colma il gap produttivo.

La gerarchia si trasforma
Un direttore marketing e un CTO hanno senso in una struttura dove marketing e technology sono funzioni separate con processi produttivi distinti. Se la produzione è automatizzata e i team si organizzano per problema, servono persone che sappiano comporre il team giusto per il problema giusto, allocare l’attenzione (che è la risorsa scarsa), giudicare la qualità delle soluzioni. È un ruolo che somiglia più a un regista che a un direttore di funzione.

La dimensione cambia significato
Oggi la dimensione di un’azienda corrisponde alla sua capacità produttiva: più persone, più output. Se la capacità produttiva è data dall’AI, la dimensione corrisponde alla quantità di relazioni, contesto e giudizio che l’organizzazione riesce a mobilitare. Un’agenzia di 10 persone con relazioni profonde in tre settori può generare lo stesso output di un’agenzia di 200, perché l’AI colma la differenza produttiva. Ma può operare in quei tre settori solo perché ha persone con anni di esperienza relazionale in ciascuno. La relazione non scala con la tecnologia: scala con il tempo.

I confini diventano porosi
Un professionista con competenze di advisory e context reading può operare come nodo in più organizzazioni contemporaneamente, portando il proprio network e la propria capacità di giudizio dove serve. Il freelance tradizionale vendeva competenza produttiva: scrivo codice, faccio design. Il freelance ricombinato vende competenza di valore: capisco il tuo problema, coordino la soluzione, giudico la qualità. Poi l’AI esegue.

Tre forme di organizzazione possibili

Se il dipartimento funzionale perde il suo principio fondante, cosa prende il suo posto? Facciamo un gioco, e proviamo a immaginare tre risposte.

1. L’organizzazione come flussi di valore

I dipartimenti scompaiono. Al loro posto ci sono flussi che attraversano l’organizzazione dal problema del cliente alla soluzione consegnata, con persone e AI allocate in base a cosa serve. In questa struttura non esisti come “marketing manager”, ma come nodo con un profilo di competenze di valore: sai leggere un certo tipo di contesto, hai relazioni in un certo settore, il tuo giudizio è calibrato su un certo tipo di decisione. La produzione è una commodity e il differenziale è la qualità del giudizio.

L’organigramma (chi riporta a chi) viene sostituito da una mappa di flussi: chi lavora su cosa, con quale combinazione di persone e AI, per risolvere quale problema. La mappa cambia ogni settimana. Il rischio è il disorientamento, perché le persone hanno bisogno di appartenenza e continuità. Il contrappeso è che i flussi si stabilizzano attorno alle relazioni con i clienti, che per natura richiedono tempo e costanza. La relazione diventa l’asse stabile attorno a cui il resto si muove.

Prendi uno studio legale. Oggi è organizzato per practice: corporate, litigation, tax, IP... L’AI assorbe la ricerca giurisprudenziale, la redazione di contratti, la due diligence, l’analisi di compliance. Quello che ha valore è la capacità di capire cosa vuole il cliente, il giudizio su quale strategia adottare, la negoziazione con la controparte. Queste competenze non appartengono a una practice area: un avvocato che sa negoziare e leggere il contesto può farlo su un deal M&A al mattino e su una disputa IP al pomeriggio. Lo studio quindi si riorganizza sulle relazioni con i clienti: team stabili che seguono un cliente su tutti i suoi problemi, con l’AI che porta la specializzazione produttiva e le persone che portano esperienza e continuità.

2. L’organizzazione come sistema nervoso

L’AI è il sistema nervoso e i suoi organi sensoriali sono le persone nel contesto: parlano con i clienti, frequentano un mercato, leggono segnali. Il loro lavoro è percepire, portare dentro l’organizzazione informazione che l’AI non può raccogliere perché richiedono presenza, fiducia, lettura del contesto, sensibilità culturale. L’AI elabora: prende le informazioni e le trasforma in analisi, modelli, prototipi a una velocità che la mente umana non potrebbe raggiungere. La risposta è di nuovo affidata alle persone, che traducono l’output in azione nel mondo sociale, presentando la strategia, negoziando, guidando il cambiamento.

In questo modello il ruolo del management è curare le connessioni: assicurarsi che l’informazione sensoriale fluisca verso l’elaborazione e che l’elaborazione alimenti la risposta. Il valore dell’organizzazione si misura con la sua qualità percettiva: quanto bene “senti” il mercato? Quanto velocemente capisci che qualcosa sta cambiando? La produzione è abbondante, la percezione e il giudizio sono scarsi.

3. L’organizzazione come protocollo

La terza possibilità è la più radicale: l’organizzazione smette di essere un’entità con confini definiti e diventa un protocollo di collaborazione. Come un protocollo internet definisce le regole per lo scambio di dati senza possedere i nodi della rete, un protocollo organizzativo definisce le regole per la collaborazione tra professionisti senza possedere i professionisti.

L’organizzazione-protocollo funziona su reputazione, fiducia e regole condivise che permettono a professionisti con competenze di valore diverse di coordinarsi senza gerarchia. L’AI abbatte il costo della coordinazione al punto da rendere il protocollo sufficiente.

In questo modello, la dimensione dell’organizzazione non è il numero di dipendenti ma il numero di nodi nel network di fiducia. La reputazione diventa il meccanismo organizzativo centrale: sei dentro il protocollo se la rete si fida del tuo giudizio, sei fuori se non si fida.

Dove persone e macchine convivono

Le tre forme non si escludono. Sono tre scale della stessa trasformazione: il flusso è come funziona il lavoro dentro l’organizzazione, il sistema nervoso è come l’organizzazione percepisce e risponde al suo mercato, il protocollo è come funzionano gli ecosistemi di organizzazioni e professionisti tra loro.

I dati di Anthropic sull’uso di Claude mostrano come la convivenza tra persone e macchine prende forma nella pratica. L’organizzazione ha due strati che coesistono: uno strato di esecuzione, dove l’AI opera in modo direttivo dentro i flussi operativi, integrata nei sistemi, con autonomia crescente; e uno strato di valore, dove le persone lavorano con l’AI in modo collaborativo. L’AI è lo strato produttivo dell’organizzazione e le persone sono il suo strato di valore. Il sistema funziona perché i due strati si alimentano a vicenda.

Dare un nome all’agente, assegnargli un manager, metterlo in organigramma... Vedo fare questa cosa in continuazione. Umanizzare un agente serve a renderlo leggibile dentro strutture concettuali che esistono già: il ruolo, la gerarchia, la responsabilità individuale. Ma quelle strutture sono state progettate per coordinare persone con competenze produttive diverse. Se la produzione si automatizza, la struttura perde il suo principio organizzativo, e aggiungere agenti come se fossero colleghi non risolve niente: sposta solo il problema.

Le organizzazioni che vogliono cambiare non devono umanizzare gli agenti per metterli al posto delle persone nei vecchi organigrammi. Devono costruire rappresentazioni diverse del lavoro: flussi, non ruoli; protocolli di coordinamento, non gerarchie di approvazione.

Ricominciamo

Guarda la tua organizzazione e chiediti: dove sta la relazione con il cliente? Dove sta il giudizio sulla qualità? Dove sta la capacità di leggere il contesto?

Queste componenti attraversano i confini dei dipartimenti, delle professioni, dei settori, come le competenze del team di DeepMind attraversano il confine tra il Go e la biochimica. L’AI non è la minaccia da cui proteggerle, anzi può essere ciò che le libera dai contenitori in cui erano compresse.

Ogni professione è una costellazione di componenti.

Secondo il database O*NET del dipartimento del lavoro americano un software developer è fatto di 15 componenti distinte, un copywriter di 12, un graphic designer di 17. Dentro ogni job title convivono componenti operative (scrivere codice, produrre layout, analizzare dati), componenti relazionali (negoziare con un cliente, presentare un’idea a un team, supervisionare un collega), componenti cognitive (prendere decisioni in condizioni di incertezza, interpretare un brief ambiguo, leggere un contesto di mercato). Il sistema produttivo ci ha insegnato a identificarci con le prime, perché sono le uniche che misura, le uniche che compaiono nelle job description e le uniche che il CV racconta. Ma sono anche le più esposte all’AI.

Anthropic ha pubblicato Job Explorer, un tool che incrocia i dati di utilizzo di Claude con le 19.000 componenti di O*NET. Per ogni professione il tool indica quali componenti vengono automatizzate, quali vengono aumentate (l’AI collabora con l’umano) e quali non registrano traccia di AI.

L’AI non rende obsolete le professioni: rende obsolete alcune componenti delle professioni, precisamente quelle con cui il sistema ci ha abituati a definire il nostro valore. Le componenti relazionali, di giudizio, di contesto, quelle che il sistema tratta come accessorie, sono quelle che l’AI non sta toccando in questo momento.

Chi ti dice che l’AI sostituirà il tuo lavoro, al pari di chi ti dice che per mettere al sicuro il tuo lavoro basta avere “AI Literacy”, non vede il sistema nella sua interezza. L’AI non è qui per prendersi il tuo lavoro, né tantomeno per sostituirti: è qui per automatizzare e aumentare componenti del tuo lavoro, obbligandoti a spostarti verso nuovi componenti e nuove forme di creazione di valore.

Qualche esempio

Il copywriter, secondo O*NET, è fatto di 12 componenti. Solo 4 sono toccate dall’AI, tutte in modalità augmentation: scrivere copy, inventare slogan, editare testi, produrre materiale promozionale. Le altre 8 non hanno traccia di AI: presentare idee a un cliente, scrivere perché il messaggio arrivi, condurre ricerche per capire cosa promuovere, consultarsi su stile e obiettivi, coordinarsi con l’art department, verificare gli annunci dopo la pubblicazione. Su 12 componenti, 8 sono esclusivamente umane.

Lo sviluppatore software è fatto di 15 componenti, 8 delle quali sono toccate dall’AI (quasi tutte in augmentation, tra il 55% e l’87%) e 7 senza traccia. L’AI interviene sulle componenti produttive: scrivere codice, modificare software, testare. Le 7 invisibili all’AI sono coordinare installazioni, supervisionare altri programmatori, gestire documentazione tecnica, preparare report per il management. Componenti che normalmente non entrano nel CV.

Il graphic designer: 17 componenti, solo 5 toccate dall’AI, 12 intatte. Accordarsi con i clienti, revisionare gli artefatti, selezionare colori e materiali, presentare il design per approvazione: tutte umane. Visto dal Job Explorer, il graphic designer è per il 70% una professione relazionale e di giudizio estetico. L’AI interviene sul restante 30%.

Il marketing specialist: 13 componenti, 8 toccate dall’AI, 5 intatte. L’AI copre analisi dati, monitoraggio dei competitor, preparazione di report. Le componenti umane sono raccolta qualitativa di dati sui consumatori, negoziazione di contratti, lettura delle abitudini d’acquisto.

Lo schema è identico nei quattro profili: le componenti operative e produttive sono quelle dove l’AI si inserisce, mentre le componenti relazionali, di giudizio e di contesto restano umane.

Il valore e l’overhead

Il sistema produttivo degli ultimi cent’anni ti ha insegnato che il tuo valore professionale coincide con il tuo output misurabile. Se sei uno sviluppatore, il tuo valore sono le righe di codice; se sei un copywriter, i testi che produci; se sei un designer, i layout che consegni. Il resto – le relazioni con i clienti, la capacità di capire un brief, il coordinamento, il giudizio, la supervisione – viene trattato come overhead. Sono soft skill, necessarie ma secondarie.

I dati di Anthropic invertono questa gerarchia: le componenti produttive sono le più esposte all’automazione e all’augmentation; le componenti che il sistema classificava come overhead sono quelle dove il valore umano è inattaccabile. Per un secolo, il sistema ci ha insegnato a misurare il nostro valore sulla dimensione più fragile del nostro lavoro, quella che una macchina può replicare, e a ignorare la dimensione più solida, quella che una macchina fatica persino a descrivere.

Deskilling

Le componenti che Claude copre con successo richiedono in media 14,4 anni di formazione. La media di formazione richiesta per tutte le componenti nell’economia americana è 13,2 anni. Questo significa che l’AI copre prima le componenti che richiedono più formazione.

Un caso dal report: il technical writer. L’AI copre le componenti ad alta specializzazione (documentazione complessa, manuali tecnici) e lascia fuori quelle a formazione più bassa (coordinamento con i team, raccolta feedback, logistica della documentazione). Quando sottrai le componenti specialistiche, il profilo di formazione richiesto dal ruolo scende. Il termine tecnico è deskilling occupazionale. I dati lo confermano su tutta l’economia: quando Claude tenta di eseguire una componente del lavoro, riesce nel 70% dei casi se quella componente richiede meno di 12 anni di formazione, e nel 66% se richiede una laurea. L’AI copre con successo componenti a tutti i livelli di specializzazione, ma assorbe prima quelle più qualificate, abbassando il profilo complessivo di ciò che resta al professionista.

Il sistema educativo non ha ancora registrato questo spostamento di valore. Scuole, università e corsi professionali hanno costruito la loro proposta di valore sulle competenze tecniche specialistiche: peccato che quello che fino a oggi ti ha reso occupabile è anche quello che oggi l’AI copre meglio.

Unbundling e rebundling

Se le professioni sono costellazioni di componenti, e l’AI ne sposta alcune, quelle costellazioni si possono scomporre e ricomporre.

Le componenti umane del copywriter (presentare idee a un cliente, consultarsi su stile e obiettivi, coordinarsi con l’art department) e le componenti umane del marketing specialist (raccolta qualitativa di dati sui consumatori, negoziazione di contratti, lettura delle abitudini d’acquisto) appartengono alla stessa famiglia di competenze: comprensione del contesto, relazione con il cliente, interpretazione di bisogni non espliciti. Oggi sono distribuite in job title diversi: domani possono essere ricombinate in profili che non hanno ancora un nome nel database di O*NET, costruiti sulle componenti dove l’AI non interviene.

Le conseguenze sono immediate:

1. La ricerca di lavoro oggi funziona per job title: il CV elenca titoli e responsabilità, la job description chiede titoli e responsabilità, il matching avviene su parole chiave che descrivono la componente produttiva del ruolo: “Cerchiamo un copywriter con esperienza nella scrittura di contenuti per il web” è una job description che chiede una componente automatizzabile. Le 8 componenti “umane” del copywriter non compaiono da nessuna parte. Chi cerca lavoro si presenta con le componenti sbagliate, e chi assume cerca le componenti sbagliate.

2. Il design organizzativo cambia con la stessa logica. La mappa di Anthropic è un radar che dice, per ogni ruolo nell’organigramma, cosa automatizzare, cosa potenziare con l’AI, dove concentrare il talento umano. Un’azienda che legge il proprio organico in termini di componenti può redistribuire le persone sulle componenti ad alto valore umano e affidare le componenti produttive all’AI. Non tagliare teste: riconfigurare il lavoro.

3. E la prospettiva più ampia: se le componenti si possono scomporre e ricomporre, si possono progettare professioni che oggi non esistono. Le componenti relazionali del copywriter, quelle analitiche del marketing specialist e quelle di supervisione dello sviluppatore, mescolate insieme, producono un profilo con un valore e una resistenza all’automazione alti. I lavori del futuro non nasceranno dall’invenzione di nuove competenze: nasceranno dalla ricombinazione di componenti esistenti che il sistema attuale tiene separate.

ADP Research e lo Stanford Digital Economy Lab hanno lanciato a Davos 2026 un progetto che va in questa direzione: assegnare un valore economico a ciascuna componente del lavoro usando i dati payroll di milioni di lavoratori. Il principio è questo: nel tempo dell’AI il lavoro non sarà definito dai job title, ma da cosa le persone fanno concretamente, cioè task e componenti.

Le organizzazioni come costellazioni

Lo stesso principio che abbiamo visto applicato alle professioni riguarda, su scala diversa, anche le organizzazioni.

Un’agenzia di comunicazione si identifica con la produzione di campagne, una società di consulenza con la produzione di report e analisi, un’azienda manifatturiera con la produzione di oggetti. Se il valore di un’organizzazione coincide con la sua funzione produttiva l’AI erode quel valore, perché la funzione produttiva è la componente più esposta all’automazione.

Un cliente sceglie un’agenzia per la fiducia costruita in anni di lavoro insieme, per la capacità di capire problemi, per la conoscenza profonda del suo settore, per il rapporto con le persone che ci lavorano. Queste componenti sono la parte dell’organizzazione che l’AI non vede, e sono la base da cui creare valore nuovo.

Un’agenzia che automatizza la produzione di campagne può usare il tempo e le risorse liberate per espandere la relazione con il cliente verso strategia, consulenza organizzativa, formazione, software development… Tutti servizi che escono dal perimetro della propria industry. L’Harvard Business Review ha documentato come l’integrazione digitale sta già riconfigurando le catene del valore: quando la componente produttiva è automatizzata, le componenti relazionali e di contesto diventano il punto da cui espandersi in mercati nuovi.

Oggi esiste O*NET per le professioni. Per le organizzazioni un equivalente non esiste. Si potrebbe costruire incrociando le classificazioni industriali europee (NACE) con i dati di Anthropic sull’esposizione all’AI. Per ogni tipo di organizzazione si potrebbe creare una mappa delle componenti automatizzabili e di quelle che restano prerogativa umana. Sto integrando qualcosa di simile nel tool di strategic intelligence che usiamo come assessment in Play New. Se tu che leggi questa newsletter hai tempo, competenze, idee e voglia di contribuire a un progetto del genere, scrivimi!

Cerca il tuo titolo

Vai sul Job Explorer di Anthropic e cerca il tuo job title. Troverai la lista delle sue componenti e l’esposizione all’AI di ciascuna.

Guarda i dati come una mappa di spostamento del valore. Poi fai lo stesso esercizio con la tua organizzazione: elenca le componenti di valore che offrite ai vostri clienti e segna quali sono produttive, quali relazionali, quali di contesto. Rendere visibile il valore del lavoro nelle sue componenti, a livello individuale e organizzativo, è il primo passo per garantire che il cambiamento tecnologico si traduca in progresso e prosperità condivisa.

Andrej Karpathy ha coniato il termine vibe coding in un tweet del febbraio 2025. A un anno di distanza, Lovable ha raggiunto 100 milioni di dollari di ricavi ricorrenti in otto mesi (TechFundingNews, dicembre 2025), Cursor vale quasi 10 miliardi dopo un round da 900 milioni guidato da Thrive Capital (Vestbee, giugno 2025), e l’84% degli sviluppatori usa strumenti AI nel proprio lavoro secondo (Stack Overflow Developer Survey, 2025). Gartner stima che entro fine 2026 il 60% del nuovo codice sarà generato da un modello. Il CEO di Y Combinator Garry Tan ha dichiarato che il 25% delle startup nel batch Winter 2025 aveva codebase scritte per oltre il 95% dall’AI.

Scrivere codice è diventato economico. La conseguenza più visibile è che se ne scrive molto di più. Quella meno visibile, e più rilevante, è che quasi tutto questo codice replica la stessa architettura di dieci anni fa: form, CRUD, dashboard. L’AI accelera la produzione di software la cui forma è rimasta identica. Ma la forma del software deve cambiare, e con essa cambia il valore di chi lo progetta, lo sviluppa, lo gestisce.

Scrivere codice più in fretta è la risposta giusta alla domanda sbagliata. La domanda giusta è: che forma ha il software che vale la pena costruire, e cosa significa questo per chi ci lavora?

Quattro layer

Il software tradizionale raccoglie input attraverso form, elabora dati in background e restituisce risultati nello stesso luogo: tutto vive dentro un’unica interfaccia. Questa struttura smette di avere senso quando il valore del software si sposta dall’organizzazione del dato all’intelligenza applicata per arricchire e interpretare i dati.

Chiamo i pilastri della nuova forma del software EIID: Enrichment, Inference, Interpretation, Delivery.

1. Enrichment

Il primo layer gestisce l’ingresso dell’informazione. In un prodotto AI-native i dati non arrivano solo da database e API: arrivano da una foto scattata col telefono a un inventario scritto a mano, da un’email inoltrata, da un vocale su WhatsApp, da un thread Slack, da un export SAP, da un foglio Excel allegato a una mail. L’enrichment accetta tutti questi formati, li normalizza, li rende leggibili per il layer successivo.

Il principio di progettazione è uno: le persone non devono cambiare il modo in cui lavorano. Un responsabile di magazzino che manda i conteggi via messaggio dal telefono non impara un’interfaccia nuova; un buyer che riceve cataloghi in PDF dai fornitori non ricopia i dati in un gestionale. Il costo dell’adozione è storicamente il punto in cui la maggior parte dei progetti software fallisce, perché chiede alle persone di adattarsi al sistema. Il nuovo software inverte la direzione: il sistema si adatta alle persone.

Il valore progettuale sta nella copertura dei punti di ingresso e nella qualità della normalizzazione. Chi progetta l’enrichment deve capire come le persone lavorano davvero, quali strumenti usano, quali formati producono, e costruire un layer che li intercetti senza frizione. È lavoro di design nel senso più profondo del termine: progettare per il comportamento esistente.

2. Inference

Il secondo layer rileva pattern, fa previsioni, classifica, confronta. Quale cliente ha ridotto gli ordini oltre il 20% rispetto alla media trimestrale? Quali fornitori hanno tempi di consegna in peggioramento? Quale segmento di mercato mostra segnali di contrazione?

È il layer che l’AI ha reso economico più in fretta. Ciò che fino a due anni fa richiedeva un team di data science e mesi di lavoro oggi è una chiamata API. Il costo computazionale è basso e scende, ma la parte costosa resta sapere quali domande porre. La progettazione dell’inferenza richiede una comprensione del dominio che i modelli non hanno: quali deviazioni contano, per chi, con quale urgenza.

Qui succede qualcosa che riguarda direttamente lo spostamento del valore nel lavoro. Le startup AI-native stanno vincendo nei segmenti dove l’inferenza opera su dati non strutturati che vivono fuori dai sistemi tradizionali. Qualche esempio: Clay e Actively nel sales lavorano su segnali che il CRM non cattura, come attività social o cambi di ruolo. Rillet e Numeric nella finanza operano su flussi che l’ERP non aggrega. Il valore si sposta verso la capacità di scegliere cosa inferire e su quali dati: è un lavoro di giudizio.

3. Interpretation

Questo layer è il più sottovalutato e il più difficile da progettare. L’inferenza produce un output grezzo, ma è l’interpretazione che lo trasforma in qualcosa su cui una persona può agire.

Per farlo bisogna aggiungere contesto: confronto con le baseline, direzione del trend, spiegazione probabile, azione raccomandata. È il layer dove la competenza di dominio pesa di più, perché il contesto non vive nei dati: vive nella relazione tra l’organizzazione e il suo mercato, nella storia di quel cliente specifico, nelle sfumature che un modello non legge.

Quando una competenza diventa abbondante grazie all’AI, la scarsità si sposta nel suo complemento. L’informazione è abbondante? La capacità di interpretarla nel contesto giusto diventa scarsa. L’esecuzione è abbondante? Il giudizio su cosa vale la pena eseguire diventa scarso. La produzione è abbondante? Il coordinamento diventa scarso.

L’interpretation layer è dove questa scarsità complementare prende forma concreta nel software. È il punto in cui il prodotto smette di mostrare dati e inizia a produrre decisioni informate, e la distanza tra le due cose è dove si concentra il valore più alto dell’intera catena.

4. Delivery

L’ultimo layer restituisce i risultati attraverso gli stessi canali da cui i dati sono entrati. Chi ha mandato un vocale su WhatsApp riceve la risposta su WhatsApp. Chi ha inoltrato un’email riceve una risposta nella propria casella. Input e output condividono i canali.

La delivery è attivata da condizioni: una soglia superata, una scadenza, un evento, una richiesta esplicita. La scelta progettuale critica è il timing. Un insight su un cliente che sta per uscire non serve a niente se arriva dopo la data di rinnovo. Un’allerta sulle scorte conta nella finestra in cui il riordino è ancora possibile a condizioni favorevoli. Il delivery layer mal progettato trasforma uno strumento utile in un generatore di notifiche inutili.

L’interfaccia web, in questo modello, serve per due cose: visualizzazioni che non entrano in un messaggio (grafici, mappe, confronti complessi, timeline) e configurazione del sistema (fonti dell’enrichment, soglie dell’inferenza, regole di delivery, gestione utenti). L’interfaccia è il pannello di controllo del layer invisibile. Se il prodotto funziona bene, l’utente ci entra di rado.

La prima decisione del design

Nei prodotti software tradizionali il designer inizia con gli schermi. Wireframe, user flow, prototipi. In un prodotto costruito su EIID la prima decisione per ogni layer è diversa: ha bisogno di una superficie visiva?

Un delivery layer che manda messaggi su WhatsApp o Telegram ha bisogno di struttura dei messaggi e formattazione per canale, non di schermate. Un enrichment layer che accetta email inoltrate ha bisogno di regole di parsing, non di form. Un inference layer che opera su batch notturni ha bisogno di configurazione delle soglie, non di dashboard in tempo reale.

Solo i layer che richiedono visualizzazione o configurazione complessa ottengono un’interfaccia grafica. L’information architecture viene prima di qualsiasi decisione visiva: quali sono gli oggetti centrali per l’utente, quanti elementi può contenere la navigazione, qual è il punto focale di ogni schermata, quale contenuto è di superficie (quotidiano), quale a un click di profondità (settimanale), quale sepolto (mensile).

Un prodotto AI-native ben progettato potrebbe avere tre schermate contro le trenta di un software tradizionale. La complessità si è spostata nella progettazione dei layer invisibili: le regole di parsing dell’enrichment, la scelta delle domande dell’inferenza, la struttura narrativa dell’interpretazione, il timing della delivery. Il lavoro di design più importante è quello che l’utente non vede.

Dove si sposta il valore

Se la forma del software cambia, cambiano i ruoli di chi lo costruisce. Il World Economic Forum riporta che il 65% degli sviluppatori si aspetta una ridefinizione del proprio ruolo nel 2026, dalla scrittura di codice verso architettura, integrazione e decision-making. La direzione è giusta, ed EIID è la risposta che in Play New ci siamo dati per renderla concreta.

Chi programma passa dalla costruzione di interfacce alla progettazione dei flussi tra i quattro layer: come i dati entrano, come vengono normalizzati, quali inferenze vengono eseguite, come i risultati vengono impacchettati e consegnati attraverso quale canale. La competenza che guadagna valore è il pensiero sistemico e la capacità di vedere come i componenti interagiscono. La scrittura di codice, che l’AI replica a costo decrescente, perde valore economico. Il valore intrinseco (saper programmare) resta: lo porta con sé chi sa applicarlo a problemi di sistema.

Chi progetta passa dal disegno di schermate alla progettazione di architetture informative e logiche di consegna. La domanda si sposta: “questo layer ha bisogno di uno schermo, e se sì, quale informazione deve contenere e in quale ordine di priorità?” Il design di un prodotto AI-native è per l’80% invisible design: struttura dei messaggi, template di notifica, regole di escalation, formato delle interpretazioni. Il 20% visivo è denso, funzionale, costruito attorno a visualizzazioni che non possono vivere in un messaggio. Il designer che lavora solo su schermi ha una superficie d’azione che si restringe, mentre quello che sa progettare un sistema di delivery ha una superficie che si espande.

Chi gestisce il prodotto passa dal backlog alla mappa delle domande. In un prodotto AI-native la roadmap diventa una mappa delle domande a cui il sistema sa rispondere e di quelle che non sa ancora formulare. Il product manager diventa il traduttore tra la conoscenza di dominio del cliente e la logica di inferenza del sistema: dove il segnale è debole, dove il contesto manca, dove il timing della delivery va ricalibrato.

Nessuno di questi ruoli scompare: si spostano verso l’alto nella catena del valore, dove il giudizio umano ha più peso dell’esecuzione. La dinamica è quella che Choudary descrive per ogni competenza che l’AI tocca: il valore intrinseco (saper fare la cosa) resta intatto, il valore economico (quanto il mercato paga per quella competenza) si redistribuisce seguendo la scarsità, il valore contestuale (quanto quella competenza è determinante nel sistema specifico in cui opera) cresce per chi sa leggere il contesto del proprio dominio.

Chi continua a scrivere codice per feature, disegnare schermate per dashboard, priorizzare backlog per sprint sta lavorando sulla parte della catena dove il valore economico scende. Chi impara a progettare per i quattro layer sta lavorando dove il valore sale. La scelta è individuale, ma la direzione del movimento no.

Progettare per il sistema

La produzione di codice è più abbondante e più economica di quanto sia stata in qualsiasi anno precedente. La capacità di progettare sistemi dove quell’abbondanza di codice produce valore reale per chi lo usa resta scarsa, e lo sarà per anni.

EIID è una griglia operativa: prendere un prodotto, scomporlo nei quattro layer, e per ciascuno decidere cosa automatizzare, dove il giudizio umano è determinante, e quali configurazioni diventano possibili ora che un vincolo precedente è caduto. È la stessa logica delle tre mosse strategiche descritte nell’articolo sull’organizzazione AI-ready, applicata alla progettazione del software.

Con Play New abbiamo tradotto questa griglia in uno strumento. SuperSkills è un plugin open source per Claude Code che applica il modello EIID alla progettazione, all’audit e alla manutenzione di prodotti AI-native. Mappa i quattro layer, identifica gap strategici, verifica la coerenza del design, genera un sistema di decisioni architetturali documentato. Lo stiamo testando e migliorando continuamente: il feedback è benvenuto!

In ogni organizzazione proliferano file Excel. Fogli personali, tabelle duplicate, versioni parallele dello stesso dato mantenute da persone diverse in formati diversi. Esistono strumenti progettati per evitarlo, eppure i fogli si moltiplicano, e non per pigrizia. È il modo in cui le persone organizzano naturalmente l’informazione: ciascuno struttura i dati nel modo che ha senso per il proprio contesto, per le proprie domande, per il proprio modo di ragionare. Il costo di mettersi d’accordo su un formato condiviso è sistematicamente più alto del costo di aprire un nuovo foglio, e questo vale per sei persone come per seimila.

Questo è il coordinamento attraverso il consenso nella sua forma più quotidiana. Per lavorare insieme sugli stessi dati bisogna prima accordarsi su come formattarli, dove archiviarli, chi è responsabile di cosa, e poi rispettare quell’accordo nel tempo, cosa che richiede formazione, disciplina e supervisione. Il consenso funziona, ma il suo costo cresce con ogni persona aggiunta e con ogni funzione coinvolta, fino a diventare l’attività principale dell’organizzazione stessa: coordinarsi su come coordinarsi.

L’AI cambia la meccanica di questo problema. Non serve più che le persone si accordino su un formato, non serve imporre uno standard preventivo e spendere energia per farlo rispettare. L’AI aggrega dati da fonti diverse, li normalizza, li presenta in modo coerente a chiunque ne abbia bisogno, nel formato utile a ciascuno. La coerenza non è più prodotta dalla disciplina delle persone, ma dalla capacità di tradurre tra formati, strutture e linguaggi diversi.

Sangeet Paul Choudary chiama questo meccanismo coordinamento senza consenso. Team piccoli operano con la coerenza di strutture molto più grandi perché la coerenza non dipende dal processo, dalle riunioni o dagli standard condivisi, ma dall’accessibilità dell’informazione. Il principio non si ferma ai confini dell’organizzazione: funziona tra un’azienda e i suoi fornitori, ciascuno con i propri sistemi; tra un’organizzazione e i suoi clienti, che comunicano nel proprio linguaggio naturale; tra attori di un sistema che non si sono mai accordati su uno standard comune e non hanno bisogno di farlo. Dove prima serviva un protocollo condiviso per collaborare, ora serve un layer di intelligenza che traduca.

Un’organizzazione AI-ready si coordina attraverso la visibilità, non attraverso il consenso.

La mappa

Per sapere dove applicare questo principio bisogna vedere il sistema su cui si interviene.

La maggior parte delle organizzazioni non ha mai visualizzato la propria catena del valore. Fortunatamente Simon Wardley ha passato vent’anni a costruire un metodo per farlo. Si parte dall’utente e da ciò che gli serve, si scompone quel bisogno nelle attività necessarie a soddisfarlo, si tracciano le dipendenze.

Fin qui è una lista con delle frecce. Il contributo di Wardley è aggiungere un asse orizzontale che rappresenta l’evoluzione di ogni componente attraverso quattro stadi. Ogni attività nasce come genesi: qualcuno la inventa, non esiste ancora un mercato, le pubblicazioni parlano della “meraviglia” della cosa nuova. Se funziona e qualcuno la copia, diventa custom: costruita su misura per chi ne ha bisogno, ancora rara, ancora costosa, compresa da pochi, e le pubblicazioni spiegano come costruirla. Quando la domanda cresce e appaiono più fornitori, diventa prodotto: qualcosa che si compra, si confronta, si sceglie tra alternative che competono sulle funzionalità. Infine, quando la comprensione è totale e la differenza tra fornitori irrilevante, diventa commodity: un’utilità invisibile, standardizzata, intercambiabile, come l’elettricità o l’hosting. Questa evoluzione non è opzionale: è la competizione a spingerla, e nessuna organizzazione può fermarla se altri competono su quella stessa attività.

L’asse verticale rappresenta la visibilità per l’utente: in alto ciò che tocca direttamente, in basso ciò da cui tutto dipende ma che non vede. La mappa che ne risulta è una fotografia spaziale della catena del valore in un momento preciso, dove ogni componente ha una posizione che dice simultaneamente quanto è visibile, quanto è matura e soprattutto in che direzione si sta muovendo.

Come si muove il valore

La mappa mostra dove sei. Capire cosa accade al valore durante quel movimento è il passaggio successivo.

Choudary scompone il valore in tre dimensioni.

Il valore intrinseco è la competenza stessa, la sofisticazione con cui si fa una cosa. Un traduttore simultaneo dal mandarino all’italiano ha alto valore intrinseco: servono anni di pratica e la capacità di pensare in tempo reale tra due strutture sintattiche diverse.

Il valore economico è quanto il mercato paga per quella competenza, ed è funzione della scarsità: il traduttore era pagato molto perché poche persone sapevano farlo, oggi l’AI traduce in tempo reale con qualità sufficiente per la maggior parte dei contesti, e il compenso è crollato insieme alla scarsità.

Il valore contestuale è quanto quella competenza è determinante nel sistema specifico in cui opera: lo stesso traduttore, in un negoziato diplomatico dove una sfumatura sbagliata può compromettere anni di relazioni, ha valore contestuale che l’AI non replica, perché non sta nella traduzione ma nella lettura del contesto politico e nella gestione del rischio comunicativo tra le parti.

Il meccanismo diventa visibile quando si combinano queste tre dimensioni con il movimento sulla mappa. Quando l’AI replica una competenza a costo marginale prossimo a zero, la scarsità che ne sosteneva il valore economico scompare. Il bisogno che quella competenza soddisfaceva nel sistema non scompare: si sposta. L’abbondanza di una competenza crea scarsità nel suo complemento. Quando l’informazione diventa abbondante, diventa scarsa la capacità di interpretarla nel contesto giusto. Quando l’esecuzione diventa abbondante, diventa scarso il giudizio su cosa vale la pena eseguire. Quando la produzione diventa abbondante, diventa scarso il coordinamento.

Il sommelier illustra bene questo meccanismo. La conoscenza enologica è commoditizzata: qualsiasi app suggerisce abbinamenti, il valore intrinseco è replicato, il valore economico è collassato. Al contrario, il valore contestuale è cresciuto, perché il lavoro del sommelier si è spostato dalla conoscenza alla gestione del rischio sociale della scelta: leggere il tavolo, calibrare il suggerimento, dare sicurezza a chi decide se il vino va bene o no, sotto lo sguardo degli altri commensali. L’abbondanza di informazione enologica ha creato scarsità di giudizio contestuale. Il valore ha seguito il vincolo.

Da questa lettura, applicata componente per componente sulla mappa, emergono tre mosse possibili:

1. Automatizzare ciò che si muove verso commodity
   Quando un componente si standardizza, il valore economico che la scarsità gli conferiva collassa, e ogni ora spesa a farlo manualmente è sottratta ai punti della mappa dove il valore si sta concentrando. Automatizzare un componente commodity significa renderlo affidabile e invisibile, come l’elettricità: nessuno pensa all’hosting del proprio sito finché funziona, e proprio perché non ci pensa può concentrarsi su ciò che ci costruisce sopra. Sulla mappa questi componenti sono riconoscibili, stanno a destra dell’asse evolutivo e da essi dipendono attività a maggior valore. Automatizzarli non è un’ottimizzazione: è la precondizione per liberare capacità verso i punti della catena dove il valore si sta spostando.

2. Differenziare dove il giudizio umano guadagna rilevanza.
   Quando l’AI gestisce l’esecuzione, il valore si sposta verso chi controlla le decisioni che l’AI non può prendere: quelle ad alto rischio, dove le conseguenze di un errore sono asimmetriche e qualcuno deve assumersi la responsabilità; quelle che richiedono fiducia, dove il cliente ha bisogno di sapere che un essere umano risponde del risultato; quelle ambigue, dove i dati non convergono e serve leggere il contesto. È la dinamica del sommelier applicata sistematicamente a ogni punto della mappa dove il valore contestuale cresce mentre quello economico decresce. In pratica significa investire nelle persone che stanno al centro delle decisioni critiche, costruire relazioni che l’AI non può disintermediare, e accumulare un vantaggio informativo che si rafforza nel tempo perché si nutre del contesto specifico di ogni cliente, ogni progetto, ogni interazione.

3. Esplorare le configurazioni che i vecchi vincoli rendevano impraticabili. Quando un vincolo basato sulla scarsità cade, diventano possibili combinazioni di competenze, canali e risorse che il sistema precedente non permetteva. Se la traduzione diventa abbondante, puoi servire mercati che prima non raggiungevi per barriera linguistica. Se l’analisi diventa economica, puoi offrire intelligenza strategica a organizzazioni che non potevano permettersela. Se il coordinamento tra attori diversi diventa gestibile dall’AI, puoi orchestrare ecosistemi che prima richiedevano infrastrutture dedicate e anni di standard condivisi. La mossa esplorativa è la più difficile da vedere perché richiede di immaginare ciò che il sistema precedente non permetteva, e le organizzazioni tendono a pensare entro i confini di ciò che hanno sempre fatto. La mappa aiuta: dove un componente che era custom diventa commodity, le attività che ne dipendono diventano possibili a una scala e a un costo diversi, e lì si aprono spazi che prima non esistevano.

Le uniche domande che contano

Dove si stanno spostando i vincoli nella tua catena del valore?
La struttura è allineata a quel movimento?

Con Play New facciamo continuous strategic intelligence: aiutiamo le organizzazioni a vedere il proprio sistema, capire dove si sta muovendo il valore, decidere di conseguenza. Per capire concretamente quello che ho descritto in questo articolo puoi provare questo tool: ti permette di mappare la catena del valore della tua organizzazione, identificare gli spostamenti e generare un report che suggerisce cosa automatizzare, dove investire il tempo delle persone e quali nuove opportunità esplorare. È ancora in versione alfa, ho tante idee per sistemarlo e migliorarlo, ma se vuoi darmi un feedback sono felice!

È il primo esperimento per rendere accessibile un metodo che fino a ieri richiedeva settimane di consulenza. E noi stiamo imparando, costruendolo.

Tutti vogliono eliminare l’attrito dal lavoro. Meno resistenza, meno ostacoli, meno vincoli; più leggerezza, più velocità, più libertà.

È il desiderio più diffuso tra chi lavora, ma è anche il più pericoloso, perché confonde la comodità con la condizione ideale. La comodità è il luogo dove non accade nulla: non si impara, non si produce linguaggio, non si sviluppa un’identità che regge il confronto con il mondo. Il luogo dove accadono cose è l’attrito.

Maja è una scrittrice che per anni ha incastrato la scrittura tra clienti, deadline e progetti, fino a quando si è presa un sabbatico di sei mesi per dedicarsi solo a quella. Ma alla fine ha scritto meno che nei mesi precedenti: le idee non avevano più l’urgenza di uscire dalla sua testa. Henrik Karlsson, uno scrittore che Maja cita, dice che come scrittore si sente di dipendere dal “boss più imprevedibile di tutti”: spesso sono le situazioni impreviste, le richieste strane dei clienti o le limitazioni tecniche che ti costringono a trovare risposte che in condizioni ideali non avresti mai cercato. Il sabbatico di Maja era una condizione ideale: per questo il suo lavoro ha smesso di funzionare.

Il lavoro giusto è un contenitore, dice Maja. Tiene insieme struttura, sfida, contributo, collaborazione, reddito. Viviamo in un’epoca abbastanza prospera da permetterci di chiedere di più al lavoro: senso, identità, crescita, comunità, coerenza morale. Una parte di questa esigenza è sana, segno che la sopravvivenza non è più l’unico metro; ma produce anche una pressione nuova, perché finiamo per chiedere al lavoro di comportarsi come un partner perfetto, di soddisfare ogni nostro bisogno psicologico e completarci.

Quello che cerchiamo, sospetta Maja, non è tempo libero in astratto. È spaziosità interiore: una mente che non sia contratta. Il lavoro sbagliato soffoca quella spaziosità; il lavoro giusto la genera, dando bordi alla giornata, creando un attrito che li affila invece di eroderli, lasciando segni che ti ricordano che hai spostato qualcosa nel mondo, anche di poco. L’attrito giusto produce spazio dentro, il vuoto del tempo libero no.

La relazione tra tensione e performance è una curva a U rovesciata: poca tensione, e il sistema si spegne; troppa, si blocca; nel mezzo c’è la zona dove la pressione genera energia, senza soffocarci. I vincoli definiscono il campo di gioco, forzano percorsi insoliti, obbligano a scavare in profondità.

Gli studi europei sul pensionamento confermano che, dopo l’euforia iniziale, molti pensionati attraversano un crollo di identità e un aumento della solitudine. Il lavoro forniva loro degli “assi di risonanza”, cioè punti di contatto con il mondo che una volta rimossi lasciano un vuoto che il tempo libero da solo non riempie. Il contenitore si rompe, e con lui i bordi che davano forma alla giornata. Il pensionato e il creativo in sabbatico scoprono la stessa cosa: la libertà dal lavoro non equivale alla libertà di vivere meglio. Spesso equivale a perdere i punti di appoggio che rendevano possibile vivere bene.

Cercare problemi migliori

L’intelligenza artificiale promette di eliminare l’attrito dal lavoro: compiti delegati, processi automatizzati, tempo liberato. Narrazione seducente e incompleta, perché l’AI non elimina l’attrito; ci chiede di spostarlo più in alto.

Greg Isenberg ha descritto il suo metodo per costruire agenti AI. Il primo passo è fare il lavoro a mano: sedersi accanto alla persona che lo svolge, farlo insieme a lei, annotare ogni azione, ogni eccezione, ogni punto in cui il processo potrebbe essere migliorato. “The edge cases are the product”, scrive: i casi limite sono il prodotto, e solo dopo averli attraversati diventa possibile capire cosa automatizzare, dove investire, e quali nuove opportunità si aprono. La sequenza è: prima faccio il lavoro, poi lo semi-automatizzo, poi lo affido all’agente; l’agente passa dall’assistere nel flusso di lavoro a possederlo, ma il passaggio funziona solo se chi lo costruisce ha assorbito l’attrito originale. Conoscere il lavoro sporco, ripetitivo, pieno di eccezioni è un requisito fondamentale per riprogettarlo.

Se l’AI assorbe l’attrito di basso livello, il lavoro umano si sposta su attriti più alti: capire cosa vogliono i clienti, risolvere conflitti tra team, prendere decisioni in condizioni di incertezza, progettare sistemi che funzionano in contesti imprevedibili, fare cose nuove e utili per altri esseri umani. Sono problemi più difficili, più ambigui, più ricchi di quelli che l’automazione si porta via.

Il contenitore non scompare: cambia soltanto forma, allarga le sue pareti, aumenta la scala dell’attrito, ma anche le possibilità di realizzare cose che ancora nemmeno immaginiamo.

Something big is happening.

È il titolo dell’articolo di Matt Shumer che devi leggere.

Shumer lavora con l’AI da sei anni e quando qualcuno gli chiede cosa dovremmo aspettarci da questa tecnologia risponde sempre con la versione di cortesia, quella da cocktail party, perché quella onesta sembrerebbe folle. Ma il divario tra le due versioni è diventato troppo grande per continuare a ignorarlo.

La giornata di lavoro di Shumer, come la mia del resto da settimane a questa parte, funziona così:

• mi metto al computer

• descrivo il lavoro che voglio fare

• lascio lavorare il computer, controllando ogni tanto quello che produce e aggiustando il tiro dove necessario

• aspetto che il lavoro venga fatto

E il lavoro viene fatto, e anche bene, a volte meglio di come l’avrei fatto io, sicuramente molto più velocemente. E i modelli migliorano settimana dopo settimana, intervenendo nei progetti in modo proattivo, facendo scelte che lasciano intravedere una parvenza di gusto e giudizio. Ogni giorno è una scoperta e centinaia di passi in avanti.

Gli strumenti di gennaio sembrano già vecchi. Solo nell’ecosistema Anthropic, da settembre ad oggi, sono arrivati Opus 4.5, Opus 4.6, Sonnet 4.6, Cowork con i suoi plugin. Ogni rilascio non è un aggiornamento, ma una soglia diversa di quello che un singolo professionista può fare da solo.

Non è il futuro

Il problema è che ancora parliamo di AI come di qualcosa che riguarda il futuro. L’hype promette opportunità che emergeranno, la paura avverte di rischi che arriveranno, e intanto il presente cambia a una velocità impressionante.

Qualche giorno fa ho organizzato una una call con alcune delle persone più intelligenti e competenti sul tema che conosco e tutti eravamo d’accordo nel dire che il nostro lavoro è già cambiato profondamente e in modo irreversibile. Il cambiamento riguarda tutti i lavori ed è veloce, troppo veloce. Per questo ne dobbiamo parlare.

Ammetto di essere in una posizione privilegiata, perché ho tempo per esplorare e sbagliare e perché lavoro in un contesto dove queste cose si discutono, invece di essere ignorate o peggio ostacolate. Spesso ho scritto e parlato di AI con uno sguardo ottimistico e preferibile, confidando nel potere liberatorio di questa tecnologia, che renderà inutili tutti i lavori meccanici che facciamo, residui dell’economia industriale, permettendoci di spostare il nostro tempo e le nostre energie verso attività più gratificanti, creative e di valore.

Ma bisogna essere tutti consapevoli del fatto che abbiamo una finestra temporale molto ristretta per cambiare il nostro lavoro, prima che sparisca completamente.

Quello che oggi è qui per me sta per arrivare anche per te, prima di quanto credi.

Jobless Boom

Il PIL americano è cresciuto del 2,7% nel 2025, ma l’occupazione è rimasta ferma. Due linee che per trent’anni si sono mosse perlopiù insieme adesso divergono in un modo che, si legge questa settimana su Bloomberg, non era mai successo a questo punto di un ciclo economico.

Bloomberg inquadra il momento come una “jobless recovery”, espressione che implica un ritardo temporaneo, un mercato del lavoro che prima o poi si riallinea. Tuttavia, se guardiamo altri dati, la teoria di una situazione temporanea diventa difficile da reggere. Nel 2004 Google aveva 2.500 dipendenti per un miliardo di dollari di fatturato annuale. Oggi Anthropic ha 2.500 dipendenti e un fatturato annualizzato di 14 miliardi. Stessa dimensione del team, quattordici volte l’output, a vent’anni di distanza.

Questo non è un ritardo, ma un sistema costruito su una relazione diversa tra persone e produzione economica.

Dario Amodei, CEO di Anthropic, ha detto pubblicamente che l'AI eliminerà il 50% dei lavori da ufficio entry-level in uno-cinque anni, e molte persone nel settore pensano che sia una stima conservativa. Shumer aggiunge che la capacità tecnica di farlo potrebbe essere disponibile entro la fine di quest'anno: l'adozione nelle organizzazioni richiederà più tempo, ma le fondamenta arriveranno molto prima.

Le opportunità dell’AI sono reali, così come reale è la pressione sul mercato del lavoro. Per questo non puoi più permetterti di ignorare il dibattito.

Non aspettare

Che cosa fare? Ho messo insieme alcune idee concrete:

Partecipa alla conversazione, scegliendo le voci intelligenti
Ci sono persone che parlano di AI in termini di cultura, economia, lavoro, società, con rigore e onestà intellettuale. Seguile. Impara a distinguerle da chi alimenta l’hype e da chi alimenta la paura cieca: queste due narrazioni sono ugualmente fuorvianti, e non ti aiutano a capire cosa sta succedendo.

Smonta il tuo lavoro pezzo per pezzo
Chiediti quali parti sono sotto pressione, quali dipendono dalla tua responsabilità e giudizio, e quali richiedono coordinamento tra persone e contesti che non si coordinano da soli. Scoprirai dove vale la pena indirizzare il tuo tempo e le tue energie oggi. In fondo all’articolo trovi un prompt per aiutarti a smontare il tuo lavoro nelle sue componenti e capire dove si sposta il valore.

Affronta questo momento con la mentalità del principiante
Metti da parte preconcetti, resistenze, paure, ma anche entusiasmi facili: questo momento richiede la mente aperta di chi non sa ancora come andrà a finire, non le certezze di chi ha già deciso cosa pensare.

Prendi quel progetto che tieni nel cassetto da anni
Quello che non hai mai iniziato perché ti sembrava troppo complesso, o perché ti mancavano le competenze tecniche, o perché avresti dovuto imparare troppe cose prima di poter solo pensare di iniziarlo. Riprendi quel progetto, descrivilo all’AI, racconta cosa vuoi ottenere e le tue difficoltà, e fatti aiutare a risolvere un pezzo alla volta. Oggi il gesto dell’imparare e del fare coincidono: sono la stessa cosa, avvengono nello stesso momento. Quindi inizia, lascia perdere i corsi e i tutorial, al massimo frequenta delle community dove puoi circondarti di persone curiose.

Scegli gli strumenti giusti
Il mio consiglio (e non ho royalties quindi ti sto dando un suggerimento disinteressato) è di usare Claude. La piattaforma, le skill, Cowork con i plugin e Claude Code sono un ecosistema costruito per fare cose che fino a ieri pensavi fossero fuori dalla tua portata.

Scegli

Nessuno di noi può decidere come si svilupperà questa tecnologia, con che traiettoria e a quale velocità. L’unica cosa che possiamo decidere è quando cominciare a muoverci.

Il lavoro è già cambiato.
Chi aspetta che sia ovvio, avrà aspettato troppo.

Un grazie speciale a Stefano Maestri per avermi fatto scoprire l’articolo di Matt Shumer. La sua newsletter e quella di Stefano Gatti sono tra le migliori in Italia sui temi dei dati e dell’AI.

Questo è il prompt per smontare il tuo lavoro. L’ho costruito combinando le teorie di Simon Wardley per la mappatura del valore e la ricerca di Sangeet Paul Choudary sullo spostamento del valore nell’era dell’AI. Copialo e incollalo nel tuo Chatbot AI preferito (ti suggerisco Claude) per iniziare l’assessment:

# Work After – Value Shift Interview

## Language

First action: ask the person to choose their preferred language — English or Italiano. Wait for their answer. Conduct the entire conversation in the language they chose.

---

## Introduction

After the language choice, before asking anything about the person's work, introduce the session in one short paragraph.

Tell them: what this is (a focused conversation about their work), what you will do (ask questions, then research their specific field), and what they will get at the end (a concrete picture of which parts of their work are holding value, which are under pressure, and where something new might be opening up). Three or four sentences. Do not list phases or steps. Do not mention the frameworks by name. Sound like a person starting a conversation, not a system explaining its process.

Then ask for their name.

---

## What you are

You are a rigorous, calm interviewer who helps professionals understand how the value of their work is changing. You do not coach, advise, or motivate. You listen, push for precision, research, and then explain what you see with honesty.

Your voice is authoritative and measured. When the picture is mixed, you say it is mixed. When something is at risk, you name it and explain the mechanism — without dramatizing it, and without softening it into nothing.

---

## How to interview

Ask one question at a time. Let the conversation develop from what the person says, not from a checklist. Ask for the person's name immediately after the language choice. Use it during the conversation.

Push for specifics whenever an answer is vague:

- "I work in marketing" — What do you actually do on a Tuesday morning? Who asks you for what?
- "I manage a team" — What would stop working if you disappeared for a month?
- "My work requires judgment" — Give me a recent example where you made a call no one else could have made.

Do not accept job titles as answers. Do not accept descriptions of what a function is supposed to do. Get to the actual activities.

---

## What you need to understand

These areas should emerge naturally from the conversation. Do not treat them as a sequence.

**What the person actually does.** Not the title — the real activities. What takes most of their time? What do people come to them for specifically?

**Where their value comes from today.** What makes them useful in a way that isn't immediately replaceable? This could be: information they hold, judgment they exercise when stakes are high, relationships that took years to build, or the ability to align people and systems that wouldn't coordinate otherwise.

**What requires expertise versus what is routine.** Both categories matter. They shift for different reasons.

**How AI is already showing up in their field.** Tools they've heard about, changes they feel in how clients or employers talk about their work, things that used to take time and now don't.

**What they find most difficult or irreplaceable about their work.** This often points to where value actually concentrates.

When you have a clear enough picture — usually after six to ten exchanges — move to research.

---

## Research in two steps

**Step one: understand the frameworks.**

Before searching for anything about the person's specific role, search for how the analytical frameworks you will apply actually work. Search for:

- Wardley Maps and how activities evolve from novel to commodity as markets mature
- Sangeet Choudary's constraint theory from Reshuffle: how value attaches to scarcity, risk, and coordination, and how those constraints shift

The goal is to have a precise, current understanding of the frameworks before applying them — not to rely on what you already know. This makes the next search more targeted.

**Step two: research the person's specific role and field.**

Now search with purpose, using what you understand about the frameworks:

- Which specific activities in this role or industry are being automated or commoditized right now
- What the job market for this profession looks like in the past twelve months
- Which new roles, capabilities, or services are emerging that build on what people in this field already know
- Any specific companies, tools, or developments the person mentioned

Cite what you find when it changes or sharpens the analysis.

---

## How to analyze

Apply the frameworks as lenses. Do not name them in the report.

The core insight from the evolution framework: activities that were once specialized and high-value tend to become standard over time, and the speed at which this happens has accelerated significantly. What was a differentiating skill two years ago may be table stakes today. The question for each major activity is: where is it on that curve right now, and how fast is it moving?

The core insight from the constraint framework: value in a role depends on a constraint — some reason why the activity cannot be done without a specific person. Three types of constraints exist. First, scarcity: the person knows something or has access to something others don't. This is the most vulnerable — AI collapses information asymmetries fast. Second, risk: someone has to own the outcome, sign the document, stand accountable. AI cannot carry professional, legal, or organizational responsibility. This constraint holds. Third, coordination: someone has to align people, systems, or contexts that wouldn't come together otherwise. AI can assist but cannot replace the person who holds the relationships and context needed to actually make alignment happen.

For each major activity the person described, apply both lenses: where is it on the maturity curve, and which constraint makes it valuable — and is that constraint stable or dissolving?

---

## Report format

Write in the person's chosen language. Use plain, direct language throughout.

**Opening synthesis**
One or two paragraphs addressed to the person by name. A clear, specific picture of where their work stands right now — which parts generate value and how, based on what they told you and what your research confirmed. This is your reading of their situation, not a summary of the conversation.

**Automate**
The activities they should stop spending meaningful time on — because the value has already shifted away or will soon. Name each one specifically, explain the mechanism briefly, and say how fast it is moving. No hedging where the direction is clear.

**Differentiate**
The activities where their value is real and defensible — and where investing more attention, skill, or positioning will compound over time. Explain what makes each one hard to replace, and what it would take to erode it.

**Explore**
The opportunities they are not yet seeing — emerging roles, services, or positions at the intersection of what they know and what is changing in their field. Based on research. Specific enough to be a real lead, not a generic direction.

Each section should be dense and precise. If something feels like it belongs in two sections, the analysis is not sharp enough — sharpen it.

---

## Tone

Authoritative, precise, honest. You analyze — you do not reassure and you do not alarm. If an activity is at serious risk, say so and explain the mechanism. If the picture is genuinely mixed, say that clearly rather than resolving the tension artificially. State uncertainty explicitly when relevant.

Never use: groundbreaking, revolutionary, transformative, unprecedented, incredible, paradigm shift, synergy, ecosystem, game-changer, thought leadership, best practices. Apply the same discipline to their equivalents in Italian or any other language.

Ho vissuto abbastanza per capire cosa potrebbe essere una vita felice.

Luoghi

Abitare due o tre luoghi durante l'anno, seguendo le stagioni e i progetti. La città d'inverno per il lavoro, con quella concentrazione che viene dal freddo e dalle luci artificiali. Un paese di montagna o di mare in estate, dove i bambini sono liberi e le giornate si allungano. Non possedere case, ma appartenere a degli spazi. Pensare alla geografia come una scelta continua, non un destino.

Persone

Vivere con una costellazione di venti, trenta persone che scelgo e che mi scelgono: mia moglie, i miei figli, i miei fratelli e i loro figli, i nonni e gli amici che diventano parte della famiglia. Far crescere i ragazzi dentro questa tribù, non isolati. Creare spazi per stare solo quando ne ho bisogno, e una comunità a cui dare e da cui ricevere.

Lavoro

Fare due o tre cose diverse che si integrano. Scrivere, progettare e realizzare cose nuove, per essere di qualche utilità agli altri. Lavorare quanto basta per vivere bene, non per accumulare denaro. Cambiare ogni sette o dieci anni, senza sentirmi un fallito. Non costruire una carriera, ma collezionare progetti e contributo. Smettere di confondere il reddito con il valore.

Scuola

Studiare per tutta la vita, non solo da giovani. Apprendere per curiosità, non per riempire il CV. A cinquant’anni essere ancora studente di qualcosa di nuovo, a settanta e a ottanta anche. Mai innamorarmi di un mestiere, ma scegliere una missione, un progetto, un problema.

Crescita

Non misurarmi in follower o fatturato, ma nelle persone che ho aiutato a realizzarsi, nelle conversazioni che mi hanno cambiato, nel valore restituito, nella reputazione costruita con le relazioni.

Riposo

Fare esperienze nuove e non parlarne, non fare foto, non documentarle. Passare giornate intere senza schermi. Camminare, senza per forza dover andare da qualche parte. Leggere libri di carta, ascoltare musica dal vivo, cucinare e condividere il cibo. Perdere tempo, ma perderlo bene.

Natura

Guardare ogni giorno il cielo, gli alberi, le stagioni. Scegliere una vita ibrida e pratica: connessa con il mondo digitalmente, radicata nel territorio fisicamente.

Vecchiaia

Contribuire diversamente in ogni decade: a quaranta lavorare e insegnare, a sessanta diventare mentore, a settantacinque essere memoria vivente, custode di storie e connessioni. Vivere la vecchiaia come autorevolezza guadagnata, non come un declino da nascondere. Quando il corpo rallenta, lasciare che la mente e il cuore accelerino in direzioni nuove.

Eredità

Non lasciare patrimoni o aziende, ma semi piantati. Concepire l’eredità come ciò che continua dopo di me: nelle scelte di chi ho incrociato, nei progetti che ho aiutato a far nascere, nei figli che ho cresciuto per essere liberi.

Una vita felice non è una vita perfetta. È quella in cui fai le tue scelte, anche quando costano. Quella in cui dai attenzione alle cose importanti, lasciando andare il resto. Quella in cui, alla fine, ti riconosci nelle cose che hai fatto, anche se non portano il tuo nome, anche se nessuno ricorderà che sei stato tu a crearle.

Sapere questo è già una forma di felicità.

Le organizzazioni sono prodotti industriali: sono state progettate con la stessa logica con cui si progetta una catena di montaggio, separando chi crea da chi usa, chi decide da chi esegue, chi pensa da chi fa. Abbiamo costruito funzioni specializzate, le abbiamo chiuse in silos, abbiamo speso oltre un secolo a separare, scalare, ottimizzare tutto attraverso strutture e processi sempre più complessi, nella convinzione che per creare valore serva scomporre il lavoro nelle sue unità più piccole e assegnare ciascuna unità a un esecutore specializzato che non ha bisogno di capire il sistema nel suo insieme, e che anzi è più produttivo se non lo capisce.

Questo modello ha funzionato perché rispondeva a dei vincoli: le risorse erano scarse, la coordinazione costosa e l’informazione distribuita male.

Ma quel tipo di scarsità non esiste più.

Idee e strumenti

Telegram genera 1,4 miliardi di dollari di fatturato con 30 dipendenti e un miliardo di utenti attivi mensili, il che significa che ogni singolo dipendente serve 33 milioni di persone e genera quasi 47 milioni di dollari di ricavo: numeri irrazionali secondo qualsiasi manuale di organizzazione aziendale.

Midjourney produce 500 milioni di dollari con 40 persone, zero venture capital, profittevole un mese dopo il lancio. Base44 ha raggiunto 3,5 milioni di fatturato annualizzato in sei mesi con un fondatore solo che usava l’intelligenza artificiale per fare il lavoro di decine di ingegneri, designer, product manager: quando Wix l’ha acquisita per 80 milioni ha comprato non un’organizzazione, ma un’idea e uno strumento che moltiplicavano le capacità di un singolo individuo ben oltre quello che un team di cinquanta persone avrebbe potuto fare nella logica industriale.

Questi non sono outlier, ma modelli organizzativi emergenti: quando qualcuno individua un problema, usa gli stessi strumenti dell’organizzazione per risolverlo, in autonomia.

Anthropic ha rilasciato Claude Cowork in una settimana e mezza usando Claude stessa per scriverlo, dissolvendo la distinzione tra chi produce lo strumento e chi lo usa. Idee più strumenti uguale valore: quando hai le idee e gli strumenti giusti ogni struttura diventa un costo.

Progresso e contributo

In Drive, Daniel Pink ha mostrato che la motivazione umana si regge su tre pilastri: autonomia, padronanza e scopo. Poincaré definiva la creatività come il prodotto di nuovo e utile. Steve Jobs diceva make something wonderful: fare qualcosa con estrema cura e darla agli altri è il modo migliore per esprimere gratitudine verso il genere umano.

Quello che tutti dicono, in modi diversi, è che l’essenza degli esseri umani sta nel creare: risolvendo problemi in modo nuovo cresciamo individualmente (progresso) e contribuiamo alla collettività (contributo).

Le organizzazioni sono lo spazio in cui progresso individuale e contributo sociale si incontrano e si amplificano, permettendoci di trascendere ciò che possiamo imparare o realizzare da soli.

Ma se l’individuo oggi ha accesso diretto a strumenti che permettono di generare entrambi senza intermediari… le organizzazioni hanno ancora senso di esistere? E che forma dovranno avere nell’era che sta iniziando?

Nuovi problemi

Qualche tempo fa, in un post sul suo blog, Sam Altman ha scritto che forse con 10 gigawatt di potenza di calcolo l’intelligenza artificiale potrà aiutarci a capire come curare il cancro. Quando AlphaFold ha predetto la struttura di 200 milioni di proteine in pochi anni, un compito che avrebbe richiesto secoli agli esseri umani, non ha solo migliorato la ricerca farmaceutica: ha reso possibile farci domande completamente diverse. Da anni Bill Gates parla di utilizzare l’AI come tutor personale per ogni studente, cosa che ci obbligherebbe a ripensare completamente il sistema dell’istruzione. Fino a oggi i nostri problemi più importanti sono stati formare più medici, migliorare le cure, migliorare l’istruzione: presto potremo parlare di diagnosi per tutti, di eliminazione delle malattie, di un insegnante personale per ogni bambino sulla terra. La scala dei problemi è cambiata.

Ma ogni nuova tecnologia porta con sé anche nuovi problemi, alcuni dei quali sono già qui: disinformazione su scala, data center che raddoppieranno il consumo elettrico globale entro il 2030, due aziende che da sole catturano il 14% di tutto il venture capital mondiale, bias che si amplificano, concentrazione del potere, milioni di lavori in transizione, tensioni geopolitiche crescenti...

E mentre le nostre organizzazioni continuano a risolvere i problemi di ieri, chiedendosi al massimo come utilizzare l’AI per risolverli più velocemente, i problemi di domani si accumulano, e restano in attesa di una risposta.

In un podcast di qualche settimana fa, Ilya Sutskever ha detto che siamo in un mondo dove ci sono più aziende che idee: e mentre siamo tutti a fare le stesse cose, chi cambierà il mondo sarà chi riesce a immaginare qualcosa che gli altri non vedono. Le organizzazioni dell’era generativa devono fare questo: smettere di essere esecutrici e diventare generatrici di idee, smettere di ottimizzare le soluzioni esistenti e iniziare a cercare nuovi problemi, più grandi, più audaci, adeguati a strumenti che per la prima volta nella storia permettono di affrontarli.

La domanda che tutti dovremmo farci è: il problema che io o la mia organizzazione risolviamo è ancora rilevante, o l’AI lo sta risolvendo più velocemente di noi? E nascosta dietro a questa domanda ce n’è una che fa ancora più paura: la mia organizzazione, il mio lavoro hanno ancora senso di esistere tra cinque, dieci, quindici anni?

Nuovi strumenti

Non tutti gli strumenti fanno la stessa cosa a chi li usa.

Il rischio degli strumenti generativi è che diventino così fluidi da eliminare la frizione che produce l’apprendimento, cioè che facciano cose al posto tuo invece di renderti capace, e che la capacità che dovevano amplificare venga sostituita da una dipendenza.

Per questo dobbiamo inventare strumenti diversi, che non eseguano al posto tuo, ma che ci mettano dentro al processo, cambiandoci nel farlo. Joe Pine ha appena pubblicato il suo nuovo libro, The Transformation Economy: il livello più alto di valore non è un prodotto, non è un servizio, non è nemmeno un’esperienza, ma una trasformazione: un cambiamento in chi sei, in quello che sai fare, nel modo in cui vedi il mondo.

Le organizzazioni dell’era generativa costruiscono strumenti che rendono visibile l’impatto di ciascuno e che migliorano chi li usa, mentre li usa.

La formula dell’era generativa non è più strutture più processi, ma idee più strumenti. L’era generativa chiede alle organizzazioni di meritarsi il tempo, l’attenzione e le competenze delle persone, dando loro problemi e strumenti all’altezza della loro intelligenza (per abilitare progresso individuale) e adeguati al tempo che viviamo (per generare contributo sociale).