L’intelligenza artificiale può migliorare rapidamente gli output individuali senza produrre un corrispondente aumento delle capacità professionali. Il rischio, evidenziato da una recente ricerca di Anthrome Insight e Axialent e approfondito da MIT Sloan Management Review, è la nascita di organizzazioni apparentemente più competenti, ma progressivamente meno capaci di comprendere, verificare e governare il lavoro che producono.

Per molto tempo abbiamo utilizzato la qualità del lavoro prodotto come una delle principali approssimazioni della competenza di chi lo aveva realizzato. Un’analisi particolarmente approfondita lasciava presumere una buona capacità analitica; un documento ben costruito suggeriva conoscenza della materia; una soluzione tecnicamente corretta rappresentava, almeno in parte, una manifestazione delle competenze di chi l’aveva elaborata. Naturalmente la relazione non è mai stata perfetta, ma esisteva una ragionevole corrispondenza tra qualità dell’output e capacità sottostante.

L’intelligenza artificiale generativa sta modificando questa relazione in maniera radicale. Oggi una persona può produrre testi, analisi, presentazioni, codice, ricerche e modelli qualitativamente molto superiori rispetto a quelli che sarebbe in grado di realizzare autonomamente. Questo rappresenta uno dei principali benefici dell’AI, ma introduce contemporaneamente un problema manageriale molto meno evidente: se migliora ciò che osserviamo senza migliorare necessariamente la competenza che non osserviamo, come possiamo continuare a capire quanto siano realmente capaci le persone e, soprattutto, le organizzazioni?

È il problema che Melissa Swift, Teryluz Andreu e Dolores Hernandez definiscono “capability mirage”, il miraggio della competenza. Il concetto emerge dalla ricerca Beyond Productivity: A Research Study on AI, Culture and Ways of Working, condotta da Anthrome Insight e Axialent tra gennaio e marzo 2026 attraverso tredici interviste strutturate con esperti e practitioner provenienti da organizational behavior, AI strategy, workplace culture, ricerca accademica ed executive leadership. Lo studio non osserva prioritariamente gli effetti dell’AI sugli indicatori di produttività, ma ciò che la tecnologia sta facendo alle persone, alla cultura e a quella che gli autori definiscono l’“infrastruttura sociale invisibile” attraverso cui funzionano le organizzazioni.

Il tema è stato successivamente sviluppato dagli stessi autori nell’articolo How AI Creates a Capability Mirage, pubblicato il 14 settembre 2026 da MIT Sloan Management Review, che pone una domanda particolarmente rilevante per il management: l’AI potrebbe rendere sempre più difficile giudicare le capacità individuali mentre competenze personali e organizzative si deteriorano senza che l’impresa riesca ad accorgersene?

La questione porta il dibattito sull’intelligenza artificiale molto oltre la produttività. Il problema non è più soltanto stabilire quanto lavoro possa essere prodotto con l’AI, ma comprendere quale organizzazione stiamo costruendo mentre la utilizziamo.

Il miraggio della competenza

La ricerca di Anthrome Insight e Axialent individua sei fenomeni organizzativi associati alla diffusione dell’AI. Quattro emergono con particolare consistenza nelle interviste — capability mirage, authenticity crisis, human connection deficit e fear-adoption vicious cycle — mentre due vengono classificati come segnali emergenti: performative innovation trap e agency drift. Il grafico riportato nello studio mostra inoltre come gli esperti intervistati attribuiscano un impatto particolarmente elevato dell’AI alla comunicazione, alla creatività e al brainstorming, nonché alla relazione tra competenza e fiducia.

Il capability mirage è il fenomeno che presenta la convergenza più elevata tra gli intervistati e nasce da una distinzione essenziale: l’AI non sta necessariamente migliorando nello stesso modo l’output e la persona che lo produce.

Nel breve periodo, l’utilizzo dell’intelligenza artificiale tende ad alzare la qualità minima del lavoro. Persone con livelli di competenza molto differenti possono produrre documenti formalmente migliori, comunicazioni più articolate, analisi apparentemente più sofisticate e soluzioni che, almeno superficialmente, sembrano professionali. Per chi dispone già di solide competenze, l’effetto può essere realmente moltiplicativo: il professionista conosce la materia, comprende il problema, interroga il sistema, valuta le risposte, riconosce gli errori e utilizza l’AI per estendere la propria capacità.

La situazione è molto diversa quando le competenze sottostanti sono deboli. In questo caso può migliorare il risultato visibile senza che crescano comprensione, giudizio e capacità di verifica. Lo studio sottolinea quindi che la convinzione secondo cui un output migliore implichi necessariamente una maggiore competenza — una relazione generalmente ragionevole prima della diffusione dell’AI generativa — non può più essere considerata affidabile.

Ed è precisamente questa dissociazione a creare il miraggio.

Quattro livelli che il management deve imparare a distinguere

Uno degli schemi più interessanti contenuti in Beyond Productivity separa quattro fenomeni che, nei tradizionali sistemi di valutazione delle persone, tendiamo frequentemente a sovrapporre: output quality, perceived competence, underlying capability e developed competence. La distinzione consente di comprendere perché alcuni normali indicatori di performance possano diventare progressivamente meno affidabili nell’organizzazione aumentata dall’AI.

La qualità dell’output può crescere quasi immediatamente per la maggior parte degli utilizzatori. Anche la competenza percepita può aumentare, perché manager, colleghi e clienti osservano un lavoro qualitativamente migliore e possono attribuirne implicitamente la qualità alla persona che lo presenta.

La competenza sottostante, tuttavia, segue una dinamica differente. Secondo il modello proposto dalla ricerca, tende a crescere negli utilizzatori attivi e riflessivi, mentre può ristagnare o diminuire in quelli passivi. Infine, la competenza sviluppata nel tempo può essere compromessa quando l’AI elimina sistematicamente quei processi di apprendimento attraverso cui tradizionalmente si costruiva la padronanza professionale.

È qui che emerge il vero problema organizzativo: le metriche osservano prevalentemente ciò che sta sopra, mentre il rischio si accumula sotto.

Un’impresa può quindi rilevare output migliori, tempi inferiori e maggiore produttività proprio mentre una parte delle proprie competenze interne smette lentamente di svilupparsi. La performance corrente e la costruzione della capability futura, anziché procedere nella stessa direzione, possono iniziare a divergere.

Il valore della “fatica produttiva”

L’apprendimento professionale non deriva soltanto dall’accesso alle risposte corrette. Si costruisce attraverso un processo molto più lento fatto di tentativi, errori, correzioni, confronto, comprensione delle eccezioni, esperienza e progressiva formazione del giudizio.

Gli autori richiamano a questo proposito il concetto di productive struggle: quella difficoltà produttiva che accompagna la costruzione della competenza. Il professionista diventa realmente competente non semplicemente perché conosce una risposta, ma perché ha sviluppato progressivamente la capacità di comprendere perché quella risposta sia corretta, quando non lo sia più e quali elementi debbano essere considerati quando il problema cambia. MIT Sloan Management Review sottolinea come l’apprendimento attraverso l’errore e la lenta accumulazione del giudizio professionale possano essere aggirati quando l’AI fornisce troppo presto un risultato apparentemente completo.

Questo problema assume una rilevanza particolare per le persone che entrano oggi nel mercato del lavoro. Un professionista con vent’anni di esperienza che utilizza l’intelligenza artificiale dispone di un patrimonio cognitivo con cui valutare ciò che la macchina produce; un giovane che incontra l’AI fin dal primo giorno di lavoro potrebbe invece utilizzare la tecnologia prima di aver costruito quelle strutture cognitive.

Il punto non è sostenere che il giovane professionista debba lavorare senza AI. Sarebbe probabilmente inefficiente e poco realistico. La questione manageriale consiste nel progettare percorsi nei quali l’AI acceleri lo sviluppo della competenza anziché sostituire i processi necessari per costruirla. Come osserva Isabella Loaiza nella ricerca ripresa dal MIT, occorre prima imparare e successivamente utilizzare lo strumento per amplificare le proprie capacità; invertire sistematicamente questa sequenza può creare nel tempo un divario di talento difficile da recuperare.

L’AI come amplificatore, non come sostituto della competenza

Una delle implicazioni più interessanti dell’analisi riguarda il modo stesso in cui interpretiamo la tecnologia. L’AI non dovrebbe essere considerata automaticamente un generatore di competenza; in molti contesti funziona piuttosto come un amplificatore delle capacità già presenti.

Un professionista esperto può formulare domande migliori, fornire un contesto più preciso, riconoscere incoerenze, confrontare alternative, contestare una risposta e integrare l’output con conoscenze che il sistema non possiede. Chi non dispone di quelle competenze può invece essere maggiormente esposto al rischio di accettare un risultato plausibile proprio perché non possiede gli strumenti necessari per individuarne i limiti.

MIT Sloan Management Review evidenzia precisamente questa asimmetria: chi possiede expertise disciplinare è maggiormente in grado di individuare gli errori prodotti dall’AI, mentre chi non conosce sufficientemente una materia può non riconoscere dove il risultato sia sbagliato e trasferirlo successivamente ad altre persone altrettanto incapaci di valutarlo.

La conseguenza è controintuitiva. Più convincente diventa l’output dell’AI, maggiore può diventare l’importanza della competenza umana necessaria per valutarlo.

L’AI riduce il costo della produzione di una risposta, ma non necessariamente quello della sua validazione. In alcune attività professionali, anzi, la capacità di verificare potrebbe diventare progressivamente più importante della capacità materiale di produrre una prima versione del lavoro.

Dal miraggio individuale al miraggio organizzativo

Il problema diventa ancora più rilevante quando viene spostato dal livello individuale a quello organizzativo.

Un’organizzazione non è competente semplicemente perché dispone di persone capaci di produrre buoni risultati. Deve anche sapere dove risiedono le competenze, chi possiede quale conoscenza, a chi affidare una decisione, chi necessita di formazione, chi può assumere maggiori responsabilità e quali capacità possono essere mobilitate quando emerge un problema inatteso.

Tradizionalmente, i team costruiscono nel tempo una sorta di mappa informale delle competenze: sappiamo chi conosce meglio un cliente, chi comprende un determinato processo, chi possiede maggiore esperienza tecnica e di quale giudizio possiamo fidarci quando una situazione diventa complessa. Gli autori osservano che il funzionamento dei team dipende proprio dalla possibilità di calibrare, almeno approssimativamente, “chi sa cosa”.

Se l’AI rende indistinguibile la competenza autentica dalla qualità ottenuta attraverso l’assistenza tecnologica, questa mappa diventa meno leggibile. Il manager potrebbe sopravvalutare alcune persone, non individuare fabbisogni formativi, assegnare responsabilità sulla base di segnali distorti oppure scoprire la mancanza di una competenza soltanto quando si presenta una situazione eccezionale nella quale l’AI non è in grado di fornire una soluzione adeguata.

Il capability mirage diventa allora un problema di organizational capability. L’impresa potrebbe apparire più forte proprio mentre perde progressivamente la capacità di sapere quanto sia realmente forte.

Il problema della fiducia: chi ha realmente prodotto il lavoro?

La ricerca introduce una seconda conseguenza particolarmente delicata. La diffusione dell’intelligenza artificiale modifica non soltanto il rapporto tra output e competenza, ma anche quello tra competenza e fiducia.

Quando riceviamo un’analisi da un collega, una presentazione da un collaboratore o una valutazione da un professionista, non giudichiamo esclusivamente il documento. Costruiamo implicitamente una rappresentazione delle capacità della persona che lo ha prodotto. Nel tempo, quella rappresentazione influenza la distribuzione delle responsabilità e la fiducia all’interno dell’organizzazione.

L’AI rende più opaco questo processo. Se non sappiamo quale parte del lavoro derivi dalla persona, quale dall’intelligenza artificiale e soprattutto quale attività di verifica sia stata effettivamente svolta, diventa più difficile comprendere le capacità reali del collega. MIT Sloan Management Review evidenzia come questa opacità possa compromettere anche coaching e sviluppo: se un manager non comprende come il lavoro venga effettivamente realizzato, diventa più difficile sapere chi abbia bisogno di supporto e quali competenze debbano essere rafforzate.

Non si tratta di imporre una dichiarazione burocratica dell’utilizzo dell’AI in ogni attività. Il problema è più profondo: occorre ricostruire norme di accountability compatibili con il lavoro aumentato dall’intelligenza artificiale.

La domanda non dovrebbe essere semplicemente “hai utilizzato l’AI?”, ma piuttosto: chi è responsabile del risultato? Chi lo ha verificato? Quale parte del giudizio rimane umana? Chi dispone della competenza necessaria per accorgersi che qualcosa non funziona?

La crisi dell’autenticità

Il secondo pattern individuato da Beyond Productivity è strettamente collegato al precedente e viene definito authenticity crisis.

La ricerca osserva comportamenti apparentemente opposti. Alcune persone mostrano apertamente l’utilizzo dell’AI come segnale della propria capacità di innovare; altre nascondono l’impiego della tecnologia per attribuire a sé stesse gli incrementi di produttività ottenuti. Tra questi due estremi esiste poi una zona più ambigua, nella quale colleghi e manager percepiscono che email, documenti o altri contenuti non riflettono completamente la persona che li presenta, ma non dispongono ancora di norme condivise per interpretare questa situazione.

La questione non riguarda quindi soltanto la trasparenza sull’utilizzo di uno strumento. Riguarda la leggibilità sociale dell’organizzazione: la capacità delle persone di comprendere reciprocamente chi siano, cosa sappiano fare e quanto ciò che producono rappresenti effettivamente il loro giudizio.

È un tema che le imprese dovranno affrontare con attenzione, perché la fiducia organizzativa non nasce esclusivamente da procedure formali. Si costruisce attraverso migliaia di interazioni nelle quali le persone imparano progressivamente a conoscere competenze, limiti, affidabilità e comportamenti dei propri colleghi.

Il deficit di connessione umana

La ricerca individua inoltre un possibile human connection deficit. In alcune organizzazioni gli incontri diventano più formali, diminuiscono le interazioni spontanee e l’AI comincia a occupare parte dello spazio precedentemente riservato al confronto informale con i colleghi.

Il fenomeno si inserisce in una trasformazione già avviata dal lavoro remoto e ibrido. Il problema, secondo gli autori, non è semplicemente la perdita di socialità. Le conversazioni non pianificate, le domande rivolte rapidamente a un collega, le osservazioni informali e i momenti ai margini delle riunioni costituiscono parte dell’infrastruttura attraverso cui circolano conoscenza tacita, fiducia e senso di appartenenza.

Se una parte crescente di queste interazioni viene sostituita dalla relazione individuale con un assistente AI, l’organizzazione può guadagnare efficienza nell’accesso all’informazione ma perdere occasioni attraverso cui la conoscenza viene trasferita tra le persone.

Questo introduce un’altra distinzione importante: knowledge retrieval e organizational learning non sono la stessa cosa. Ottenere rapidamente una risposta può risolvere un problema immediato; costruire una comunità professionale capace di apprendere collettivamente richiede invece relazioni, confronto, esperienza condivisa e trasmissione di conoscenza tacita.

Quando l’adozione dell’AI diventa performativa

Tra i segnali emergenti della ricerca compare quella che viene definita performative innovation trap. È una dinamica facilmente riconoscibile: il management stabilisce obiettivi di utilizzo dell’AI, misura il numero degli utenti, introduce strumenti nei processi esistenti e interpreta l’aumento dell’adozione come indicatore di trasformazione.

Ma utilizzare più AI non significa necessariamente innovare.

Il rischio è aggiungere uno strato tecnologico sopra processi sostanzialmente invariati. Le persone fanno le stesse cose, nello stesso modo, soltanto più rapidamente. L’organizzazione può così dimostrare un elevato livello di adozione tecnologica senza aver realmente ripensato attività, responsabilità, processi decisionali o modalità di creazione del valore.

Il paradosso evidenziato dagli autori è significativo: la pressione a utilizzare l’AI per non rimanere indietro può produrre esattamente la convergenza che le imprese vorrebbero evitare, con organizzazioni che utilizzano gli stessi strumenti per fare le stesse cose più velocemente. L’AI diventa così un indicatore visibile di innovazione senza essere necessariamente una fonte di differenziazione.

Utenti attivi e utenti passivi: la vera discriminante

Il secondo segnale emergente viene definito agency drift e introduce una distinzione fondamentale per comprendere il futuro del lavoro aumentato dall’AI. La differenza più importante potrebbe non essere tra chi utilizza molto l’intelligenza artificiale e chi la utilizza poco, ma tra utilizzatori attivi e utilizzatori passivi.

L’utilizzatore attivo mantiene la responsabilità cognitiva del processo. Formula il problema, interroga l’AI, mette in discussione le risposte, introduce nuove informazioni, confronta alternative e verifica il risultato. L’intelligenza artificiale funziona come interlocutore, amplificatore e sparring partner.

L’utilizzatore passivo trasferisce progressivamente alla macchina non soltanto l’esecuzione, ma anche parti crescenti del giudizio. La risposta prodotta dal sistema diventa il punto di arrivo anziché l’inizio di un processo di verifica. Secondo la ricerca, questa deriva verso la passività non è necessariamente una scelta consapevole: rappresenta spesso il percorso di minore resistenza, favorito dall’assenza di norme organizzative chiare su cosa significhi utilizzare l’AI in modo responsabile e attivo.

Da questa prospettiva, la competenza più importante nell’utilizzo dell’intelligenza artificiale potrebbe essere paradossalmente quella di non rinunciare alla propria agency cognitiva.

Perché una strategia “AI-first” può essere concettualmente sbagliata

Una delle indicazioni più nette che emerge dai due lavori riguarda il punto dal quale dovrebbe partire la trasformazione.

Non dall’AI, ma dallo scopo.

La ricerca suggerisce alle organizzazioni di definire innanzitutto il problema aziendale da risolvere e la capacità umana che intendono sviluppare o preservare. Partire dalla domanda “come possiamo utilizzare l’AI?” espone maggiormente al rischio di adottare tecnologia per visibilità; partire invece da “che cosa vogliamo ottenere?” consente di valutare se, dove e in quale forma l’AI possa effettivamente contribuire al risultato.

MIT Sloan Management Review sviluppa ulteriormente questo punto criticando la retorica AI-first. Una strategia che colloca aprioristicamente la tecnologia al centro rischia di invertire il rapporto tra mezzo e finalità. Gli autori sostengono invece una logica business-first, nella quale obiettivi, responsabilità e giudizio rimangono il riferimento rispetto al quale decidere il ruolo dell’intelligenza artificiale.

Per il management, questa distinzione è decisiva. L’adozione dell’AI non dovrebbe essere misurata sulla quantità di tecnologia introdotta, ma sulla qualità dei problemi che l’organizzazione riesce a risolvere e sulla capacità che riesce a costruire nel farlo.

Ripensare formazione, valutazione e sviluppo delle persone

Se la qualità dell’output non costituisce più un indicatore sufficientemente affidabile della competenza, molti sistemi tradizionali di gestione delle persone devono essere ripensati.

La valutazione non può limitarsi a chiedere se il lavoro sia corretto. Deve verificare se la persona comprenda il lavoro, sappia spiegarlo, possa difenderne le conclusioni, riconosca i limiti dell’analisi e sia in grado di intervenire quando cambiano le condizioni. La ricerca suggerisce per questo di creare momenti nei quali la comprensione autentica debba manifestarsi attraverso confronto diretto, domande di approfondimento e verifica del ragionamento, anziché affidarsi esclusivamente alla qualità del prodotto finale.

Anche onboarding e formazione dei giovani professionisti devono evolvere. Non è sufficiente insegnare a utilizzare gli strumenti di AI; occorre decidere quali competenze debbano essere costruite prima, quali possano essere sviluppate attraverso l’AI e quali non debbano essere delegate perché costituiscono il nucleo del giudizio professionale.

Lo stesso vale per i sistemi di performance management. Se continuiamo a misurare prevalentemente velocità, quantità e qualità apparente dell’output, rischiamo di premiare comportamenti che aumentano la performance nel breve periodo ma indeboliscono la capacità nel lungo.

La leadership deve mostrare come si usa l’AI, non soltanto chiederne l’utilizzo

La governance dell’intelligenza artificiale viene spesso tradotta in policy: strumenti consentiti, dati utilizzabili, procedure di sicurezza, attività vietate. Sono elementi necessari, ma non sufficienti.

Gli autori sottolineano il ruolo della leadership nel rendere visibile come l’AI debba essere utilizzata. I manager dovrebbero mostrare un comportamento nel quale l’intelligenza artificiale viene interrogata, contestata, sottoposta a verifica e utilizzata come interlocutore, anziché come meccanismo di delega del pensiero. MIT Sloan Management Review descrive questa modalità come utilizzo dell’AI quale sparring partner: un’interazione attiva nella quale l’essere umano rimane responsabile del giudizio.

Questo rende la leadership particolarmente importante perché la cultura organizzativa sull’AI non verrà costruita soltanto attraverso ciò che l’impresa scriverà nelle proprie linee guida. Verrà costruita osservando ciò che i leader fanno concretamente: quali attività delegano, quali verificano, quali domande pongono e quale responsabilità assumono rispetto agli output prodotti con l’assistenza della tecnologia.

Cinque domande che diventano strategiche per l’impresa

Le indicazioni finali di Beyond Productivity possono essere ricondotte a cinque aree di intervento: partire dallo scopo anziché dalla tecnologia, guardare oltre la qualità dell’output, definire esplicitamente le norme di utilizzo, progettare occasioni di presenza e relazione umana e affrontare apertamente i timori delle persone prima che si trasformino in una conformità soltanto apparente.

Da una prospettiva manageriale, queste indicazioni possono essere trasformate in domande ancora più profonde: stiamo utilizzando l’AI per aumentare le capacità delle persone oppure soltanto la qualità dei loro output? Sappiamo ancora distinguere chi possiede realmente determinate competenze? I nostri giovani professionisti stanno imparando più rapidamente o stanno semplicemente producendo più rapidamente? Abbiamo definito quali forme di giudizio non vogliamo delegare? E i nostri sistemi di valutazione sono ancora in grado di misurare ciò che pensiamo stiano misurando?

Sono domande meno semplici rispetto alla misurazione delle licenze attivate o delle ore risparmiate. Ma sono probabilmente molto più importanti per comprendere gli effetti dell’intelligenza artificiale sull’impresa.

Oltre la produttività: il vero tema è la capacità organizzativa

La prima fase della diffusione dell’AI generativa è stata comprensibilmente dominata dalla produttività. Quanto tempo possiamo risparmiare? Quante attività possiamo automatizzare? Quanto più velocemente possiamo scrivere, analizzare, programmare, progettare o comunicare?

Queste domande rimangono importanti, ma rappresentano soltanto una parte del problema.

Un’organizzazione non compete esclusivamente attraverso la quantità di output che riesce a produrre. Compete attraverso conoscenze, competenze, capacità di giudizio, fiducia, coordinamento, apprendimento e capacità di affrontare situazioni che non erano state previste. Se l’intelligenza artificiale migliora la produttività ma deteriora progressivamente alcuni di questi elementi, il risultato potrebbe apparire positivo nei sistemi di misurazione molto prima che ne diventino visibili le conseguenze.

Il capability mirage è interessante proprio perché mette in discussione una delle convinzioni più semplici che accompagnano l’attuale trasformazione: che un’organizzazione capace di produrre di più e meglio grazie all’AI sia necessariamente diventata più competente.

Potrebbe esserlo. Ma potrebbe anche soltanto sembrarlo.

La sfida manageriale dei prossimi anni sarà quindi evitare una falsa alternativa tra uomo e tecnologia. Non si tratta di proteggere artificialmente le persone dall’AI né di massimizzarne indiscriminatamente l’utilizzo. Si tratta di progettare organizzazioni nelle quali la tecnologia assuma le attività che può svolgere meglio, mentre gli esseri umani continuano a sviluppare le capacità necessarie per comprendere, interrogare, verificare e governare ciò che la tecnologia produce.

L’obiettivo non dovrebbe essere avere persone che lavorano meno senza AI perché possono delegare di più all’AI. Dovrebbe essere costruire persone e organizzazioni che, grazie all’AI, diventano realmente più capaci di quanto fossero prima.

Fonte

L’articolo è stato elaborato a partire da Beyond Productivity: A Research Study on AI, Culture and Ways of Working, ricerca realizzata nel 2026 da Anthrome Insight e Axialent attraverso tredici interviste strutturate a esperti e practitioner impegnati sui temi dell’intelligenza artificiale, della cultura e del comportamento organizzativo (https://go.axialent.com/beyond-productivity).

L’analisi è stata integrata con How AI Creates a Capability Mirage, di Melissa Swift, Teryluz Andreu e Dolores Hernandez, pubblicato da MIT Sloan Management Review il 14 settembre 2026, che sviluppa specificamente le implicazioni del capability mirage per competenze individuali, fiducia, accountability, leadership e sviluppo organizzativo.