L’intelligenza artificiale generativa sta abbassando drasticamente il costo necessario per apparire competenti. Per imprese, manager e consulenti il problema non è quindi più soltanto accedere alle idee migliori, ma distinguere tra conoscenza realmente maturata nell’esperienza e conoscenza semplicemente assemblata. Un contributo di Harvard Business Review propone di superare la tradizionale thought leadership in favore di una nuova logica: costruire, sperimentare, assumersi responsabilità e trasformare l’esperienza in conoscenza verificabile.

Per molti anni la thought leadership ha rappresentato una delle forme più riconoscibili attraverso cui manager, consulenti, accademici e professionisti costruivano autorevolezza. Pubblicare libri, sviluppare framework, intervenire a conferenze, produrre articoli, identificare trend e proporre interpretazioni del futuro costituivano segnali relativamente credibili di competenza, perché produrre contenuti sofisticati richiedeva normalmente tempo, esperienza, ricerca e capacità di elaborazione. L’intelligenza artificiale generativa sta modificando profondamente questa relazione. Oggi è possibile produrre in poche ore presentazioni, modelli, analisi, articoli e interpretazioni formalmente convincenti su temi rispetto ai quali chi li presenta possiede un’esperienza operativa molto limitata. Un Large Language Model può organizzare le idee, utilizzare il lessico corretto, recuperare riferimenti plausibili, costruire framework e generare argomentazioni sufficientemente sofisticate da risultare credibili anche a un pubblico professionale. È questo il problema affrontato da John Winsor nell’articolo “L’IA pone fine alla leadership di pensiero?”, pubblicato da Harvard Business Review Italia nel giugno 2026. Winsor parte da una posizione volutamente provocatoria: pur essendo egli stesso, secondo qualunque definizione convenzionale, un thought leader, sostiene che questa categoria stia progressivamente perdendo valore. Non perché le idee siano diventate irrilevanti, ma perché il rapporto tra chi descrive il futuro e chi è realmente capace di costruirlo si sta deteriorando. La questione è particolarmente significativa per le imprese perché modifica il modo in cui dovrebbero valutare consulenti, manager, partner e persino competenze interne. In un ambiente nel quale è sempre più semplice produrre segnali di competenza, aumenta il valore della capacità di dimostrare che quelle competenze siano state realmente esercitate.

Quando diventare “esperti” costa sempre meno

Winsor descrive un fenomeno facilmente osservabile: l’AI generativa ha ridotto drasticamente le barriere d’ingresso alla produzione di contenuti professionali. Qualche prompt ben formulato può produrre rapidamente un articolo coerente, una presentazione efficace o una sintesi aggiornata di un tema complesso. Se a questo si aggiungono una presenza sui social, una partecipazione a podcast, conferenze o webinar e una comunicazione personale sufficientemente curata, diventa possibile costruire in tempi relativamente brevi un’identità professionale che appare autorevole. Il problema non è la tecnologia in sé. La tecnologia rende semplicemente più economico e più veloce produrre la rappresentazione esterna della competenza. Winsor osserva che la quantità di contenuti potenziata dall’AI sta creando un ambiente nel quale insight, framework e previsioni diventano progressivamente più abbondanti, mentre rimane scarsa la capacità di tradurre quelle idee in decisioni, sperimentazioni e risultati concreti. Nella sua esperienza, molte organizzazioni non soffrono per mancanza di idee, ma perché non riescono a trasformarle in azione. Questa distinzione è fondamentale. Un’impresa può avere accesso a un numero quasi infinito di contenuti sulla trasformazione digitale, sull’intelligenza artificiale, sull’organizzazione, sulla strategia o sull’innovazione. Ma l’accesso alla conoscenza non coincide automaticamente con la capacità di trasformazione. La scarsità si sposta. Quando le idee diventano abbondanti, ciò che diventa raro è la capacità di testarle nella realtà.

La nascita dell’“azione di pensiero”

È a partire da questa constatazione che Winsor propone un concetto alternativo alla tradizionale thought leadership: la thought action, che potremmo tradurre come “azione di pensiero”. La differenza non riguarda l’importanza del pensiero rigoroso. Riguarda il luogo nel quale quel pensiero viene verificato. Il thought leader può descrivere come l’intelligenza artificiale trasformerà la forza lavoro. Chi pratica l’azione di pensiero costruisce un progetto pilota, osserva ciò che non funziona, modifica l’esperimento e impara dai risultati. Il thought leader può pubblicare un framework sull’open talent; l’operatore interviene su un’organizzazione reale, modifica ruoli e processi e deve poi confrontarsi con resistenze, costi, errori e risultati inattesi. La differenza, quindi, non è tra teoria e pratica in senso banale. La teoria rimane necessaria. Il punto è che la conoscenza acquista maggiore valore quando viene stressata dalla realtà. Un modello strategico può sembrare perfettamente coerente finché rimane in una presentazione. Quando entra in un’organizzazione incontra incentivi, vincoli, persone, cultura, budget, sistemi informativi, clienti, resistenze e condizioni esterne che difficilmente possono essere previste integralmente. È proprio in questo passaggio che emerge la qualità della competenza.

La vera conoscenza contiene imperfezioni

Uno degli aspetti più interessanti dell’articolo è l’attenzione alla granularità dell’esperienza. Chi ha realmente costruito, gestito o trasformato qualcosa raramente racconta una storia perfettamente lineare. L’esperienza operativa produce inevitabilmente deviazioni, errori, compromessi e ripensamenti. Winsor utilizza una metafora efficace: i veri operatori hanno “cicatrici”. Possono raccontare il progetto pilota fallito, la partnership che sembrava convincente e poi non ha funzionato, il team che ha resistito a un cambiamento per ragioni inattese o il modello economico che ha prodotto conseguenze differenti da quelle previste. Questa caratteristica diventa oggi particolarmente importante perché l’AI è molto efficace nel generare narrazioni ordinate. Un sistema generativo tende naturalmente a produrre spiegazioni coerenti, strutturate e plausibili. Ma la realtà manageriale è raramente altrettanto pulita. L’esperienza autentica contiene dettagli scomodi. Contiene decisioni prese con informazioni incomplete. Contiene ipotesi che si rivelano sbagliate. Contiene costi non previsti. Contiene persone che reagiscono diversamente da quanto immaginato. Contiene soluzioni che devono essere corrette mentre vengono implementate. Ed è proprio questa imperfezione a rendere spesso l’esperienza più credibile del contenuto.

Il “blocco di altitudine” dei falsi esperti

Winsor individua un altro segnale particolarmente interessante: quello che potremmo definire blocco di altitudine. Chi possiede una competenza prevalentemente teorica o costruita attraverso contenuti secondari può parlare con facilità delle grandi tendenze, dei cambiamenti macro e dei framework generali. La difficoltà emerge quando viene richiesto di scendere dal livello astratto al livello operativo.

1. Quale fornitore è stato utilizzato?
2. Come è stato gestito il procurement?
3. Quali resistenze sono emerse?
4. Quanto è costato realmente il progetto?
5. Che cosa è accaduto quando una determinata ipotesi non si è verificata?
6. Quali metriche sono state modificate?
7. Quale responsabilità è stata attribuita alle persone?

Gli operatori riescono generalmente a muoversi tra livelli di analisi differenti perché hanno sperimentato direttamente la relazione tra modello e implementazione. Chi ha costruito la propria competenza principalmente attraverso sintesi e contenuti altrui tende invece a rimanere al livello delle generalizzazioni. È una distinzione particolarmente utile per le imprese. Quando si valutano consulenti o partner, la capacità di formulare una visione strategica rimane importante, ma dovrebbe essere accompagnata dalla capacità di spiegare come quella visione sia stata tradotta in decisioni reali.

Il problema della competenza acquisita troppo rapidamente

L’intelligenza artificiale accelera anche un altro fenomeno: la possibilità di costruire molto rapidamente una reputazione attorno a un tema emergente. Il percorso può essere relativamente semplice. Una persona individua un trend, studia i contenuti disponibili, utilizza l’AI per produrre analisi e framework, ottiene visibilità attraverso tali contenuti e inizia successivamente a proporsi come consulente sullo stesso tema. Winsor considera questa sequenza un segnale da osservare con attenzione. La ragione è semplice: la conoscenza informativa può essere acquisita rapidamente, l’esperienza operativa no. È certamente possibile accelerare enormemente l’apprendimento attraverso l’AI. Ma rimane una differenza tra conoscere la letteratura su un problema e aver dovuto assumere personalmente decisioni rispetto a quel problema, in condizioni di incertezza e con conseguenze economiche reali. L’articolo sottolinea quindi che la vera competenza tende ad accumularsi più lentamente e invita a diffidare dei casi in cui la thought leadership su un determinato tema preceda qualunque periodo plausibile di esperienza concreta nello stesso ambito. Questo non significa che soltanto chi possiede decenni di esperienza possa produrre idee rilevanti. L’innovazione nasce spesso proprio da persone nuove rispetto a un settore. Il punto è diverso. Occorre distinguere tra capacità di elaborare una prospettiva e capacità di assumere responsabilità sull’esecuzione di quella prospettiva. Sono entrambe utili, ma non sono equivalenti.

Anche la coerenza può diventare sospetta

Un altro elemento interessante riguarda il rapporto tra competenza e revisione delle proprie convinzioni. Nel dibattito professionale, cambiare idea viene talvolta percepito come segno di incoerenza. Chi costruisce il proprio posizionamento attorno a una tesi tende quindi ad avere un incentivo reputazionale a difenderla anche quando il contesto cambia. L’esperienza operativa produce l’effetto opposto. Chi lavora realmente su progetti complessi è continuamente costretto a modificare i propri modelli mentali. Una decisione che appariva corretta si rivela insufficiente. Una tecnologia evolve. Una soluzione smette di funzionare. Una nuova informazione modifica l’interpretazione precedente. Per Winsor, una posizione eccessivamente stabile in un ambiente caratterizzato da trasformazioni rapidissime dovrebbe quindi rappresentare un campanello d’allarme: potrebbe indicare che il professionista sta proteggendo il proprio brand più che aggiornando la propria conoscenza. È un punto particolarmente rilevante nell’era dell’AI. Quando le capacità tecnologiche cambiano di mese in mese, l’esperienza recente acquisisce un valore crescente. Un framework elaborato due anni prima può mantenere rilevanza concettuale, ma le sue implicazioni operative possono essere già profondamente cambiate.

L’emivita della consulenza strategica si sta riducendo

L’articolo introduce quindi un tema che riguarda direttamente il settore della consulenza. Secondo Winsor, l’attuale velocità del cambiamento tecnologico sta riducendo significativamente l’emivita della consulenza strategica. Le best practice possono diventare obsolete molto rapidamente e una thought leadership non continuamente alimentata da sperimentazione diretta rischia di arrivare già superata nel momento stesso in cui viene presentata. La conseguenza è significativa. Il modello tradizionale nel quale il consulente studia, formula una raccomandazione, consegna un documento e lascia successivamente all’organizzazione la responsabilità dell’implementazione diventa meno adeguato in contesti nei quali la conoscenza necessaria emerge proprio durante l’esecuzione. Questo non rende inutile la consulenza. Ne modifica il valore. Il consulente deve essere sempre più capace di partecipare alla sperimentazione, osservare la risposta dell’organizzazione, correggere le ipotesi e condividere una parte della responsabilità sul processo di apprendimento.

Dal consulente al partner operativo

È probabilmente uno dei passaggi più rilevanti dell’articolo per le imprese professionali. Winsor propone di modificare il modello di coinvolgimento dei consulenti e degli esperti. Invece di limitarsi a una giornata formativa, a un workshop o a un keynote, suggerisce interventi nei quali un professionista competente lavori direttamente con il team per alcune settimane, contribuisca a progettare un esperimento, partecipi alla sua realizzazione e rimanga abbastanza a lungo da osservare i risultati. L’output non dovrebbe essere principalmente una presentazione. Dovrebbe essere un prototipo. Un progetto pilota. Un processo modificato. Un nuovo sistema organizzativo. Oppure, anche quando l’esperimento non funziona, un insieme documentato di apprendimenti ottenuti dalla realtà. Questa impostazione trasforma profondamente il significato della consulenza. Il professionista non viene scelto soltanto per la capacità di formulare una raccomandazione, ma per la capacità di costruire insieme all’impresa.

Come cambia la selezione di consulenti ed esperti

Da questa prospettiva cambiano anche le domande che un’azienda dovrebbe porre prima di affidare un incarico. La domanda tradizionale potrebbe essere: “Qual è la tua visione su questo tema?”. Winsor suggerisce una domanda molto diversa: “Che cosa hai costruito intorno a questo problema e che cosa è successo?” La prima domanda misura principalmente la capacità interpretativa e comunicativa. La seconda costringe invece a parlare di decisioni, compromessi, errori e risultati. Analogamente, l’autore suggerisce di chiedere un esperimento fallito anziché un caso di successo. I case study sono spesso ricostruzioni ordinate ex post. Un progetto che non ha funzionato costringe invece il professionista a mostrare il modo in cui interpreta la realtà quando questa contraddice le proprie aspettative. È un criterio di selezione particolarmente potente perché la qualità della competenza si manifesta spesso nel modo in cui una persona gestisce ciò che non aveva previsto.

Nell’era dell’AI il curriculum deve tornare a raccontare responsabilità

La facilità con cui oggi è possibile costruire un’identità professionale sofisticata rende meno affidabili alcuni segnali tradizionali di autorevolezza.

1. Partecipazioni a conferenze.
2. Podcast.
3. Pubblicazioni.
4. Advisory board.
5. Framework proprietari.
6. Presenza social.

Sono tutti elementi che possono avere valore, ma non costituiscono necessariamente prova di esperienza operativa. Winsor invita quindi le organizzazioni a guardare nuovamente ai ruoli ricoperti, alle imprese costruite o gestite e, soprattutto, ai risultati rispetto ai quali la persona aveva effettivamente responsabilità. Il tema potrebbe essere sintetizzato in una distinzione semplice:

visibilità professionale e responsabilità operativa non sono la stessa cosa.

Nell’epoca dell’AI questa distinzione diventa ancora più importante perché la prima può essere accelerata tecnologicamente molto più della seconda.

Il valore dei fallimenti documentati

La cultura manageriale tende naturalmente a valorizzare i successi. Ma in contesti di innovazione e trasformazione i fallimenti contengono frequentemente una quantità maggiore di conoscenza. Un progetto riuscito può dipendere da molti fattori, alcuni dei quali difficilmente isolabili. Un progetto fallito costringe invece a capire dove si sia interrotta la relazione tra ipotesi e realtà. Per questo Winsor attribuisce particolare valore alle “cicatrici” degli operatori. Il fallimento non diventa una credenziale in sé. Diventa una credenziale quando è accompagnato dalla capacità di spiegare che cosa si pensava sarebbe accaduto, che cosa è realmente accaduto, perché le due cose differivano e come l’esperienza abbia modificato il modello mentale utilizzato successivamente. Questa è conoscenza manageriale difficilmente producibile attraverso una semplice sintesi di fonti.

L’AI aumenta il valore dell’esperienza, non lo diminuisce

Potrebbe sembrare paradossale, ma la diffusione dell’intelligenza artificiale potrebbe aumentare il valore economico dell’esperienza autentica. Se tutti possono accedere rapidamente a conoscenza generale, sintesi, framework e analisi, questi elementi diventano meno scarsi. Ciò che rimane scarso è la conoscenza generata attraverso l’azione. La capacità di comprendere come un’organizzazione reale reagisce a una trasformazione. La capacità di riconoscere quali parti di un progetto richiedono modifiche. La capacità di distinguere tra ciò che funziona sulla carta e ciò che sopravvive al contatto con processi, persone e vincoli. L’AI democratizza l’accesso alle informazioni. Non democratizza automaticamente l’esperienza accumulata attraverso la responsabilità. Questa distinzione potrebbe diventare uno degli elementi centrali della professionalità nei prossimi anni.

Un problema che riguarda anche le organizzazioni interne

Il contributo di Winsor non riguarda soltanto i consulenti esterni. La stessa dinamica può emergere all’interno delle imprese. Anche manager e collaboratori possono diventare molto abili nel produrre report, presentazioni e analisi attraverso l’AI senza sviluppare una corrispondente capacità di implementazione. Il rischio è che l’organizzazione premi progressivamente la qualità della rappresentazione del lavoro anziché la qualità del lavoro stesso. In un ambiente professionale sempre più mediato da strumenti generativi, management e sistemi di performance dovranno quindi imparare a distinguere tra produzione di contenuti e capacità di generare risultati. Questo significa attribuire maggiore importanza a sperimentazione, ownership, implementazione e apprendimento documentato.

Dalla knowledge economy alla tested knowledge economy

Il cambiamento descritto nell’articolo può essere letto in termini ancora più ampi. Negli ultimi decenni abbiamo costruito una parte crescente dell’economia sulla conoscenza. Accesso all’informazione, capacità analitica, produzione di contenuti e competenze professionali costituivano risorse relativamente rare. L’intelligenza artificiale modifica questa scarsità. Una parte della conoscenza codificabile diventa sempre più accessibile. Il valore si sposta quindi progressivamente dalla conoscenza disponibile alla conoscenza verificata attraverso l’esperienza. Non basta sapere che cosa dovrebbe funzionare. Diventa sempre più importante sapere che cosa è già stato tentato, in quale contesto, con quali risultati e quali condizioni abbiano determinato quegli esiti. Potremmo definire questo passaggio come evoluzione dalla knowledge economy verso una tested knowledge economy. Non è un’espressione utilizzata da Winsor, ma rappresenta una possibile implicazione manageriale del ragionamento sviluppato nell’articolo. La conoscenza mantiene valore. Ma aumenta il valore della sua prova.

Un principio particolarmente importante per la trasformazione AI

Questa logica assume particolare rilevanza proprio nell’ambito dell’intelligenza artificiale. Il mercato è oggi attraversato da una quantità enorme di framework, maturity model, roadmap, classificazioni di use case e metodologie di trasformazione. Sono strumenti utili. Ma nessuno di essi può sostituire completamente l’apprendimento che deriva dall’implementazione. L’articolo osserva che le organizzazioni maggiormente avanzate nella trasformazione AI non sono necessariamente quelle che hanno ascoltato i migliori relatori. Sono quelle che hanno consentito a piccoli team di costruire qualcosa, modificarlo, romperlo, imparare dai risultati e ricostruirlo. È una logica profondamente coerente con la natura stessa dell’AI contemporanea. Tecnologie, modelli e capacità evolvono troppo rapidamente perché qualunque metodologia possa essere considerata stabile per periodi molto lunghi. La strategia deve quindi essere accompagnata da una continua capacità sperimentale.

Le implicazioni per il management

Per un CEO, un CHRO o un imprenditore, il messaggio dell’articolo è particolarmente concreto. La qualità di una trasformazione non dovrebbe essere misurata soltanto dalla quantità di contenuti consumati, workshop organizzati o framework adottati. Occorre verificare quanto tempo e quante risorse siano dedicate alla sperimentazione reale. Winsor propone provocatoriamente di osservare il prossimo offsite manageriale e confrontare le ore dedicate all’ascolto, alla revisione di presentazioni e all’assimilazione di modelli con quelle dedicate alla costruzione effettiva di qualcosa. Se il rapporto è eccessivamente sbilanciato verso il consumo, il rischio è quello di investire in rappresentazione più che in trasformazione. La stessa logica dovrebbe essere applicata alla consulenza. Non chiedere soltanto: “che cosa ci consigliate?”. Chiedere anche: “che cosa possiamo testare insieme?”.

Una riflessione anche per chi produce contenuti

L’articolo contiene infine una critica che Winsor rivolge esplicitamente anche a sé stesso e agli altri professionisti della thought leadership. L’epoca in cui una buona argomentazione poteva essere sufficiente per giustificare il valore di un esperto sta terminando. Il pubblico è esposto a una quantità crescente di contenuti e dispone di strumenti capaci di produrre sintesi, analisi e framework quasi istantaneamente. In questo contesto, il professionista che vuole mantenere rilevanza deve mostrare sempre più chiaramente il rapporto tra ciò che sostiene e ciò che ha realmente sperimentato. Questo non riduce il valore della divulgazione. La rende più esigente. Il contenuto dovrebbe diventare il risultato di un ciclo:

1. conoscenza;
2. ipotesi;
3. azione;
4. risultato;
5. apprendimento;
6. nuova conoscenza.

Quando manca la fase dell’azione, aumenta il rischio che la produzione intellettuale diventi autoreferenziale.

Conclusioni: il futuro appartiene a chi sa trasformare le idee in realtà

L’articolo di John Winsor non sostiene realmente che il pensiero stia diventando inutile. Sostiene qualcosa di più interessante: nell’era dell’intelligenza artificiale il pensiero non può più essere separato dall’azione con la stessa facilità di prima. La tecnologia rende abbondanti contenuti, analisi e narrazioni sofisticate. Ma la realtà continua a essere difficile. Implementare significa confrontarsi con vincoli. Significa scegliere tra alternative imperfette. Significa gestire persone, capitale, tempi e responsabilità. Significa accettare che alcune ipotesi non funzionino. Significa modificare le proprie convinzioni sulla base dei risultati. È in questo spazio che la competenza torna a essere distinguibile. Per le imprese, la conseguenza è chiara: occorre imparare a valutare meno la capacità di apparire autorevoli e più la capacità di generare apprendimento attraverso l’azione. Per i consulenti, significa accettare una responsabilità maggiore: non limitarsi a fornire interpretazioni, ma contribuire a testarle. Per i manager, significa creare contesti nei quali le idee possano essere sperimentate rapidamente e gli errori possano produrre conoscenza. L’AI potrà rendere sempre più facile descrivere il futuro. Ma, come conclude Winsor, il vantaggio continuerà ad appartenere a chi sarà capace di costruirlo.

La fonte

Il presente contributo è elaborato a partire dall’articolo “L’IA pone fine alla leadership di pensiero?”, di John Winsor, pubblicato da Harvard Business Review Italia nel giugno 2026. Winsor è coautore di Open Talent: Leveraging the Global Workforce to Solve Your Biggest Challenges, fondatore e presidente di Open Assembly ed Executive Fellow presso il Digital, Data, and Design Institute della Harvard Business School. Il nucleo dell’articolo è il passaggio dalla tradizionale thought leadership alla thought action, una forma di autorevolezza fondata non soltanto sulla capacità di elaborare e comunicare idee, ma sulla disponibilità a sperimentarle direttamente, condividere la responsabilità dei risultati e trasformare l’esperienza operativa — compresi gli errori — in conoscenza utilizzabile dalle organizzazioni.