Chi ha figli lo sa. Molti genitori non regalano lo smartphone al figlio perché convinti, ma perché messi all’angolo da un dilemma: se è tra i pochi a non averlo, resterà tagliato fuori dal gruppo. La scelta sembra individuale, ma a deciderla sono tutti gli altri. È una trappola collettiva, e i genitori l’hanno imparata a proprie spese.
Le imprese, di fronte all’intelligenza artificiale, questa lezione non l’hanno ancora imparata. Trattano la questione come se vivessero in una vasca chiusa, una faccenda interna da sbrigare a porte chiuse, e, nella fretta di normare, scelgono la leva più semplice: limitare o vietare l’uso dell’AI tra i dipendenti. Ma la vasca non è chiusa. A decidere il gioco sono i concorrenti.
Quando il concorrente adotta l’AI e accelera, il divieto smette di somigliare alla prudenza e diventa un disarmo unilaterale. Sullo smartphone i genitori lo sanno già; sull’AI le imprese devono ancora scoprirlo.
Indice degli argomenti
Intelligenza artificiale nelle imprese: la trappola del divieto
Il divieto è solo il sintomo più visibile di un equivoco di fondo. Le imprese annunciano la propria “transizione digitale” e l’attuano come una “transazione digitale”. La trattano come un acquisto da chiudere una volta, dentro il proprio perimetro, al prezzo e al ritorno di oggi, mentre è una trasformazione di competenze e di rapporti che matura nel tempo e si misura rispetto ai concorrenti. Hanno sbagliato la grammatica del verbo in due modi. Il tempo: perché lo coniugano al presente, quando si riferisce al futuro? Una transazione si chiude nel momento in cui si paga; una transizione continua a trasformare chi la attraversa. E sbagliano la persona: perché lo coniugano alla prima persona singolare, quando andrebbe coniugato al plurale? Restano fermi all’io del proprio recinto, mentre il verbo giusto è noi, insieme ai concorrenti, perché prima o poi anche loro adotteranno l’AI.
Conviene partire dalla ragione del divieto, perché chi vieta non sbaglia per ignoranza. La scelta è razionale. Permettere l’AI e ritrovarsi con una fuga di dati o un output sbagliato è un errore visibile, attribuibile, capace di mandare a casa chi ha deciso. Restare indietro è un errore lento e senza colpevole. Tra i due pesa di più il primo, perché il danno che nasce da un’azione viene giudicato più severamente di quello che nasce dall’inerzia, un’asimmetria nota come omission bias (Ritov e Baron, 1990). Vietare protegge la carriera di chi decide a spese della competitività di tutti. Il divieto, però, non spegne l’AI. Chi la usa apertamente viene giudicato meno competente e meno motivato, una penalità sociale reale che ricade perfino sui candidati per un posto di lavoro (Reif et al., 2025). L’uso scende sottotraccia, fuori dal controllo dell’impresa. E molte imprese fanno finta di non vedere questo uso sommerso, che convive con i loro divieti e le loro policy.
Quando l’AI diventa una transazione digitale
La seconda faccia riguarda il denaro e il tempo, e si vede quando l’impresa sostituisce le persone perché l’AI, ai prezzi di oggi, costa meno. Il calcolo è effettuato al presente e ignora che la mossa è quasi irreversibile, mentre il prezzo è tutt’altro che stabile. Quel prezzo è basso perché la concorrenza tra fornitori sta bruciando capitale per conquistare il mercato e, una volta smantellata la capacità interna, l’impresa non ha più la forza per trattare. I dati mostrano che la sostituzione è in corso: tra le aziende più esposte al lavoro freelance, a ogni dollaro tolto alle piattaforme online corrispondono circa 3 centesimi spesi in AI, e più della metà di chi usava il lavoro freelance ha smesso del tutto (Stevens, 2026). L’autore stesso avverte che si parla di lavoro a contratto e non di lavoro dipendente, e che la sostituzione del singolo non equivale a una perdita aggregata di posti di lavoro. Resta il punto: si smonta il capitale umano sulla base di un’offerta promozionale.
Il prezzo è solo la metà dell’errore legato al tempo. L’altra metà è il ritorno. Chi adotta l’AI spesso pretende il guadagno subito e molla quando non arriva. La storia della tecnologia offre il precedente più citato. Le prime fabbriche montarono il motore elettrico sul vecchio impianto a vapore e non ottennero quasi nulla: i guadagni arrivarono solo quando ridisegnarono lo stabilimento attorno all’energia distribuita (David, 1990). Le tecnologie di uso generale “scavano” prima un avvallamento della produttività e poi risalgono, perché la riorganizzazione, i dati e la formazione costano subito e rendono dopo (Brynjolfsson, Rock e Syverson, 2021). Le imprese con l’orizzonte corto abbandonano nell’avvallamento e concludono che l’AI non funziona. Comprano il motore, tengono le vecchie cinghie e si stupiscono che la fabbrica non corra.
Automazione del lavoro e valore reale dei processi
Anche chi investe e aspetta sbaglia, questa volta nello spazio invece che nel tempo: l’errore non è più su quando usare l’AI, ma su dove. Le imprese automatizzano ciò che è facile, non ciò che conta, perché la facilità non segue il valore. Il compito codificabile passa all’AI, mentre quello che genera margine spesso resta scoperto. La facilità non segue nemmeno l’affidabilità della macchina: l’esperimento su 758 consulenti mostra che, all’interno della sua frontiera di competenza, l’AI fa lavorare meglio e più in fretta, mentre al di fuori peggiora i risultati (Dell’Acqua et al., 2023). Il compito che sembra facile può cadere proprio lì fuori. E accelerare un solo tratto del flusso sposta soltanto il collo di bottiglia più a valle, senza modificare il rendimento del sistema. Le imprese festeggiano scatti locali mentre il tutto resta fermo.
Capitale umano, junior e competenze che rischiano di sparire
L’errore più profondo riguarda le persone, e qui una transazione e una transizione si separano del tutto: una transazione le sostituisce, una transizione le trasforma. Il danno agisce su due piani distinti. Sul piano del singolo, chiunque deleghi all’AI il lavoro di routine resta solo con l’eccezione e, senza più la pratica quotidiana, perde la competenza per gestirla quando il sistema cede: sono le ironie dell’automazione di Lisanne Bainbridge (1983).
Sul piano della filiera, le imprese smettono di assumere junior. Senza junior oggi non avranno senior domani, perché l’esperienza si costruisce sul lavoro semplice e su una conoscenza tacita che non si lascia scrivere. Un modello recente mostra che il mercato, lasciato a sé, automatizza i compiti d’ingresso oltre il punto socialmente conveniente, e calcola che ciò possa limare la crescita di lungo periodo del PIL pro capite tra 0,05 e 0,35 punti l’anno: il danno scatta anche senza tagliare gli ingressi, basta allontanare i novizi dai maestri migliori (Ide, 2025).
Qui si gioca la scelta più importante e ideologica. La stessa tecnologia può sostituire e sorvegliare le persone oppure potenziarle, dando loro più conoscenza e più margine di decisione: è la distinzione di Shoshana Zuboff (1988) tra automatizzare e informatizzare. Le prove disponibili sono internazionali, ma gli incentivi che premiano il controllo e il taglio dei costi non si fermano alla frontiera: l’Italia non fa eccezione. La direzione, però, è una scelta e non un destino: decide se il lavoro evapora o cresce. Va detto con onestà: quando “aumenta” invece di “sostituire”, l’AI funziona, e funziona soprattutto sui meno esperti, con guadagni fino al 34% per i novizi nel servizio clienti (Brynjolfsson, Li e Raymond, 2025). La filiera non sparisce, si spacca tra chi sa usare l’AI e chi ne resta fuori. Il problema non è lo strumento, ma la scelta di usarlo per tagliare ciò che andava fatto crescere.
Il teatro dell’AI e la transizione digitale mancata
Resta l’ultima faccia. Dietro molte adozioni non c’è una decisione, ma un rito. In un clima incerto le organizzazioni si copiano per legittimarsi, prima ancora di ragionare sul valore: è l’isomorfismo mimetico di DiMaggio e Powell (1983). Nasce il teatro dell’AI, progetti pilota lanciati per segnalare modernità al consiglio di amministrazione e scollegati dal lavoro vero, dove non cambia nulla. Un rapporto molto discusso del 2025 è coerente con questa lettura: nella grande maggioranza dei casi, questi progetti non arrivano mai al conto economico e la causa è organizzativa, non tecnica (MIT NANDA, 2025). La tecnologia funziona, l’organizzazione recita.
Messe in fila, le cinque facce raccontano un solo errore. Il divieto che ignora i concorrenti, la sostituzione comprata al prezzo di oggi e abbandonata nell’avvallamento, l’automazione che colpisce lo strato facile invece di quello che conta, il taglio dei junior unito alla scelta di controllare anziché far crescere, il pilota recitato per la platea: cinque modi di coniugare al presente e alla prima persona ciò che andava coniugato al futuro e al plurale.
La transizione digitale, intanto, accade comunque, con o senza il permesso del consiglio di amministrazione. Vincono le imprese che azzeccano il tempo e la persona del verbo, che trattano l’AI come una trasformazione di competenze e di rapporti, distribuita nel tempo e giocata insieme ai concorrenti e contro di loro. Le altre non sbagliano per incompetenza, ma per una coniugazione errata.
Bibliografia
Bainbridge, L. (1983). Ironies of automation. Automatica, 19(6), 775–779. https://doi.org/10.1016/0005-1098(83)90046-8
Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence [Working paper]. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942.
Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. https://doi.org/10.1257/mac.20180386
David, P. A. (1990). The dynamo and the computer: An historical perspective on the modern productivity paradox. American Economic Review, 80(2), 355–361.
Dell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality (Harvard Business School Working Paper No. 24-013).
DiMaggio, P. J., & Powell, W. W. (1983). The iron cage revisited: Institutional isomorphism and collective rationality in organizational fields. American Sociological Review, 48(2), 147–160.
Ide, E. (2025). Automation, AI, and the intergenerational transmission of knowledge (CEPR Discussion Paper No. 20940). https://arxiv.org/abs/2507.16078
MIT NANDA. (2025). The GenAI divide: State of AI in business 2025 [Report]. MIT Media Lab.
Reif, J. A., Larrick, R. P., & Soll, J. B. (2025). Evidence of a social evaluation penalty for using AI. Proceedings of the National Academy of Sciences, 122. https://doi.org/10.1073/pnas.2426766122
Ritov, I., & Baron, J. (1990). Reluctance to vaccinate: Omission bias and ambiguity. Journal of Behavioral Decision Making, 3(4), 263–277. https://doi.org/10.1002/bdm.3960030404
Stevens, R. (2026). Payrolls to prompts: Firm-level evidence on the substitution of labor for AI [Working paper]. https://arxiv.org/abs/2602.00139
Zuboff, S. (1988). In the age of the smart machine: The future of work and power. Basic Books.
Partecipa alla community