Entro breve, i manager non gestiranno solo persone, ma anche “flotte” di agenti IA specializzati. Quali nuove soft skill – e quali nuove hard skill di management e di governance – serviranno per coordinare questa forza lavoro ibrida? Analizziamo la delega, la fiducia e la visione strategica nel nuovo contesto dell’orchestrazione algoritmica, gli impatti operativi sul management e sulla governance delle organizzazioni, e la co-evoluzione reciproca fra le competenze delle persone e le capacità degli agenti, anticipando la figura del leader come ‘direttore d’orchestra’ di “intelligenze” eterogenee.
Indice degli argomenti
Dalla gestione delle persone all’orchestrazione di intelligenze eterogenee
Fino ad oggi, la leadership si è giustamente concentrata fondamentalmente negli aspetti relazionali tra le persone, in particolare per quanto riguarda il saper motivare, delegare, comunicare, costruire fiducia, e sviluppare talenti: anche quando la tecnologia è entrata prepotentemente nelle organizzazioni, questa è rimasta sullo sfondo, sostanzialmente più come uno strumento nelle mani dei collaboratori che come un soggetto partecipante alla relazione. Questo scenario sta però cambiando rapidamente, e in modo strutturale: l’avvento degli agenti di Intelligenza Artificiale — sistemi capaci non solo di rispondere a delle richieste, ma anche di elaborarle, così come in grado di perseguire obiettivi, di pianificare azioni, di utilizzare strumenti, e di coordinarsi tra loro — sta infatti trasformando la composizione stessa dei team, e, entro breve, i manager non gestiranno soltanto persone, ma coordineranno anche “flotte” di agenti specializzati, dotati di gradi diversi di autonomia, e affiancati a collaboratori umani le cui competenze, a loro volta, si stanno già trasformando proprio per effetto dell’interazione quotidiana con l’IA.
In questo contesto, la metafora più efficace per descrivere il leader del prossimo futuro è probabilmente quella del direttore d’orchestra: una figura che non suona alcuno strumento, ma che conosce la partitura, dà il tempo, ascolta l’insieme, valorizza i solisti, e garantisce che decine di esecutori eterogenei producano un risultato armonico. Il “Leader Aumentato” non è quindi chi sa usare più o meglio strumenti di Intelligenza Artificiale dei propri collaboratori, né chi si limita ad aggiungere qualche competenza tecnica al proprio repertorio manageriale, ma è chi sa dirigere un ecosistema di “intelligenze” eterogenee — umane e artificiali — mantenendo la responsabilità del risultato, la qualità delle relazioni, e, soprattutto, il senso di ciò che si sta facendo.
In definitiva, la leadership aumentata non è la semplice somma di “leadership classica più competenze tecnologiche”, ma è una vera e propria trasformazione qualitativa, e questo per una ragione precisa, che costituisce anche un elemento forse trascurato dal dibattito corrente: in un team ibrido, tutti i componenti evolvono per effetto dell’interazione reciproca. Le persone cambiano — nel bene e nel male — le proprie competenze interagendo con l’IA; gli agenti possono modificare il proprio comportamento operativo in base al contesto, alle istruzioni, ai feedback registrati e alle basi di conoscenza disponibili, senza che ciò implichi necessariamente un apprendimento del modello sottostante.
Il team ibrido tra collaboratori umani e agenti autonomi
Per guidare un team ibrido — così come qualsiasi team — occorre innanzitutto conoscerne l’organico, che oggi è spesso più vario di quanto le tassonomie tradizionali riescano a descrivere. Dal lato umano, troviamo collaboratori con livelli molto diversi di maturità nell’uso dell’IA: da chi la ignora o la teme, a chi la usa come scorciatoia o come comodità, fino a chi ne ha fatto un vero e proprio moltiplicatore delle proprie capacità; dal lato artificiale, troviamo agenti con gradi diversi di autonomia, che possono essere ad esempio utilmente classificati secondo i tre livelli di interazione di automazione (automation), quando l’IA esegue in modo completo compiti definiti, ripetibili e verificabili, e la persona di fatto ne delega l’esecuzione; assistenza (assistance), quando l’IA supporta su richiesta un’attività che resta guidata dalla persona, come fa un “copilota”; potenziamento (augmentation), quando l’interazione tra persona e IA genera capacità che nessuno dei due avrebbe da solo, e l’IA agisce di fatto come un partner cognitivo.
L’avvento dell’IA agentica aggiunge a questi tre livelli una dimensione ulteriore, quella dell’iniziativa: ad esempio, un agente autonomo non si limita a rispondere, ma può pianificare ed eseguire catene o workflow di azioni per raggiungere un obiettivo assegnato — ricercare informazioni, utilizzare applicazioni, produrre elaborati, interagire con altri agenti — per poi riferirne i risultati. Il continuum di interazioni può così spaziare dal semplice assistente conversazionale all’agente specializzato con delega operativa ampia, passando per configurazioni intermedie in cui “l’agente propone e la persona dispone”. Per il leader, la conseguenza è immediata: come per i collaboratori umani non esiste uno stile di leadership unico, così per gli agenti non esiste un livello di autonomia unico, e la progettazione del “chi fa che cosa, e con quanta libertà” è tutt’altro che un automatismo, ma diventa una decisione manageriale a tutti gli effetti.
C’è però un passaggio concettuale ulteriore da considerare, che potenzialmente può fare la differenza: gli agenti non sono soltanto strumenti del team, ma costituiscono dei veri e propri stakeholder virtuali; questi AI-Stakeholder (Pirozzi, 2025) hanno di fatto comportamenti caratteristici, stili di risposta riconoscibili, punti di forza e limiti sistematici, e influenzano sia i risultati, sia le percezioni e le aspettative degli altri attori. Nella prospettiva della leadership, un leader efficace conosce le “personalità” operative dei propri agenti come conosce quelle dei propri collaboratori: ad esempio, sa quale agente tende a essere prolisso e quale sintetico, quale è affidabile sui dati e quale tende a colmare i vuoti con plausibilità invece che con accuratezza, quale ha bisogno di istruzioni dettagliate e quale lavora meglio con obiettivi ampi, e questa conoscenza non è solo un attributo tecnico, ma è la base della delega e della fiducia, i due pilastri che esaminiamo nei prossimi paragrafi.
In sostanza, oggi un team ibrido non è semplicemente un insieme eterogeneo di persone e di agenti, ma costituisce piuttosto una rete di configurazioni di elementi di lavoro, ciascuna con logiche proprie, in cui ci sono attività svolte da persone senza l’ausilio della IA — in particolare le relazioni interpersonali — ma anche attività delegate interamente ad agenti soggetti a supervisione, e, sempre più spesso, attività svolte da coppie o piccoli cluster persona-agente, in cui il contributo dei due è così intrecciato da risultare quasi indistinguibile nel prodotto finale. Emergono così anche dei ruoli umani nuovi: il collaboratore che supervisiona una flotta di agenti all’opera su un processo, il referente che cura la qualità delle basi di conoscenza da cui gli agenti attingono, il “traduttore” che converte gli obiettivi del business in istruzioni operative per le intelligenze artificiali. Il leader aumentato deve anche saper riconoscere e progettare queste configurazioni, perché è a questo livello — e non solo a quello dei singoli individui o dei singoli strumenti — che si giocano oggi produttività e qualità.
La delega ripensata tra persone, agenti IA e responsabilità
La delega è da sempre un aspetto centrale operativo della leadership, ma nel team ibrido si sdoppia in due forme profondamente diverse, che il leader “aumentato” deve saper distinguere e combinare. La delega alle persone resta un atto relazionale e di sviluppo: si delega non solo per distribuire il carico di lavoro, ma anche per far crescere, per motivare, per responsabilizzare; questa è quindi una delega che investe sulla persona, e che — inevitabilmente — accetta un margine di errore come costo dell’apprendimento.
La delega agli agenti è invece un atto funzionale e architetturale: si delega per efficienza, scala e velocità, e questo tipo di delega va progettato, graduato e può essere revocato o modificato senza costi relazionali. Quando l’attività è simulabile, reversibile e confinata in un ambiente controllato, gli errori possono essere individuati e corretti con costi contenuti. Nei processi reali, invece, l’autonomia dell’agente può amplificarne portata e conseguenze. Ovviamente confondere le due forme costituirebbe un errore speculare: trattare le persone come esecutori da istruire in ogni caso impoverirebbe il team, mentre trattare gli agenti come collaboratori da motivare sarebbe semplicemente una perdita di tempo.
Il principio fondamentale che accomuna le due forme di delega è però uno solo, e con gli agenti diventa ancora più stringente: delegare l’esecuzione non significa trasferire la responsabilità. L’agente, per quanto autonomo, non è infatti un soggetto giuridicamente o professionalmente responsabile. La responsabilità resta attribuita alle persone e alle organizzazioni coinvolte, secondo i rispettivi ruoli decisionali, professionali e normativi. È la stessa impostazione adottata dal nuovo Standard for Artificial Intelligence in Portfolio, Program, and Project Management (ANSI/PMI, 2026), che colloca la governance e la supervisione umana tra i principi fondamentali dell’adozione dell’IA. L’IA può informare, supportare e persino eseguire, ma la responsabilità professionale resta in capo alle persone.
Da qui discende quella che operativamente possiamo caratterizzare come delega graduata: il livello di autonomia concesso a un agente non è una proprietà intrinseca dell’agente stesso, ma una variabile di progetto, da calibrare esplicitamente in funzione di tre fattori: la criticità del compito (quanto costa un errore?), la sua reversibilità (quanto è facile rimediare?), e la verificabilità dell’output (quanto è agevole controllare la qualità del risultato?). Ad esempio, un compito poco critico, reversibile e facilmente verificabile può essere delegato con ampia autonomia; un compito critico, irreversibile o difficile da verificare richiede la concessione di una autonomia minima e l’esercizio di una supervisione stretta, o addirittura la previsione di non delegare affatto. Possiamo poi anche evidenziare un effetto a cascata spesso trascurato: quando i collaboratori umani diventano a loro volta supervisori di agenti, il leader non delega più soltanto compiti, ma anche deleghe — e deve quindi assicurarsi che ogni persona del team sappia, a sua volta, delegare bene alle proprie intelligenze artificiali. La qualità della delega diventa così una competenza diffusa, e non più una prerogativa del vertice, che però deve quindi imparare anche a saper “delegare le deleghe”.
Un ultimo aspetto meritevole di attenzione è che la delega graduata è, per sua natura, dinamica. Così come un collaboratore si “guadagna” nel tempo deleghe più ampie dimostrando affidabilità, così un agente può vedersi progressivamente estendere l’autonomia man mano che le sue prestazioni, verificate su compiti a criticità crescente, lo giustificano — e, specularmente, vedersela restringere quando il contesto cambia, quando il compito evolve, o quando emergono errori sistematici. Il leader aumentato tiene quindi una sorta di “registro delle autonomie”, formale o informale, per cui è in grado di sapere in ogni momento quale agente ha quale mandato, su quali attività, con quali limiti e con quali punti di controllo umani; questo aspetto, solo apparentemente burocratico, è invece ciò che consente di delegare con efficacia senza rinunciare alla governance, perché l’alternativa reale non è tanto tra delega strutturata e libertà di azione, quanto tra delega strutturata e delega inconsapevole — che è la vera anticamera dei rischi.
La fiducia calibrata nel team ibrido
Così come possiamo considerare la delega come un pilastro della leadership ibrida, altrettanto possiamo fare per la fiducia, che è anche forse l’aspetto più controintuitivo. La fiducia verso le persone è sostanzialmente relazionale: si costruisce nel tempo, attraverso la conoscenza reciproca, la coerenza dei comportamenti, la condivisione di successi e difficoltà, e costituisce in pratica una “apertura di credito” verso delle azioni successive, talvolta concessa anche prima di essere supportata da fatti. La fiducia verso gli agenti deve invece sempre essere calibrata ed evidence-based, in modo da essere proporzionata alle prestazioni effettivamente verificate in contesti specifici, ma anche poter essere costantemente aggiornata: infatti, un agente non merita fiducia “intrinsecamente” perché è “intelligente”, né la perde perché è “una macchina”, ma merita esattamente la fiducia che le evidenze giustificano, dominio per dominio, compito per compito.
Gli errori che possiamo fare sono sostanzialmente due, e anche qui sono speculari. Il primo è l’eccesso di affidamento, ovvero la tendenza, ampiamente documentata dalla ricerca sui sistemi automatizzati già da tempo (Parasuraman e Riley, 1997), a fare un uso improprio dell’automazione per eccesso di fiducia, riducendo il monitoraggio e accettando gli output senza verifica — fenomeno che con l’IA generativa, fluente e persuasiva per costruzione, diventa particolarmente insidioso, tanto da portare all’epistemia (Quattrociocchi ed altri, 2025). Il secondo errore è l’avversione algoritmica, per cui le persone tendono ad abbandonare l’uso degli algoritmi dopo averli visti “sbagliare” rispetto alle loro aspettative (Dietvorst, Simmons e Massey, 2015), anche quando questi continuano a produrre risultati mediamente migliori — da qualche punto di vista — di quelli umani; in sostanza, perdiamo fiducia in un algoritmo che non soddisfa le nostre aspettative molto più rapidamente di quanto la perdiamo in una persona che commette lo stesso errore. Il risultato finale è quindi paradossale: rischiamo contemporaneamente di fidarci troppo degli agenti quando non dovremmo, e di fidarcene troppo poco proprio quando dovremmo.
In definitiva, il leader aumentato ha, rispetto alla fiducia, un ruolo nuovo e sistemico: non deve soltanto saper calibrare la propria, ma deve anche saper agire da regolatore per quanto riguarda l’intero team. Ad esempio, deve potersi accorgere di un collaboratore che accettasse acriticamente tutto ciò che l’agente produce, così come di quello che, dopo una singola esperienza negativa, è tornato a fare tutto “a mano” rinunciando a dei benefici concreti derivanti dall’uso della tecnologia; deve poter rendere espliciti i domini in cui ciascun agente è affidabile e quelli in cui non lo è; deve saper istituire e gestire, dove serve, momenti di verifica strutturata delle prestazioni degli agenti, esattamente come si fa con le revisioni periodiche nelle milestone dei progetti. La fiducia, nel team ibrido, smette quindi di essere un fatto “privato” tra due soggetti e diventa un asset organizzativo da gestire: se mal calibrata, può produrre o rischi silenziosi o inefficienze croniche, mentre, se ben calibrata, può costituire il lubrificante che rende possibile la delega graduata efficace.
Come le persone evolvono interagendo con l’IA
Ma cosa distingue davvero la leadership aumentata da un semplice aggiornamento della leadership tradizionale? Nei team ibridi, le competenze delle persone non sono un dato stabile, ma un flusso in trasformazione continua, e la direzione di questa trasformazione dipende in larga misura da come la loro interazione con l’IA viene impostata e guidata. Infatti, l’interazione quotidiana con l’IA può produrre due esiti opposti. Il primo è l’augmentation genuina: persone che, sollevate dai compiti a minor valore aggiunto, sviluppano maggiore capacità di sintesi, maggiore ampiezza esplorativa — perché possono permettersi di valutare più alternative in meno tempo — e più tempo e attenzione per il giudizio, per la relazione e per la creatività. Il secondo esito è l’erosione cognitiva: persone che delegano all’IA non solo l’esecuzione, ma progressivamente anche il pensiero, e che vedono atrofizzarsi proprio le capacità — scrivere, strutturare un ragionamento, valutare criticamente — che non esercitano più.
I grossi rischi della delega cognitiva integrale vanno dalla produzione di contenuti fluenti ma privi di pensiero autentico — il thinkslop che diventa workslop quando entra nei processi di lavoro (Pirozzi, 2026) — alla deriva più profonda derivante dall’illusione della conoscenza — l’epistemia (Quattrociocchi e altri, 2025) — ossia la progressiva rinuncia a possedere personalmente la conoscenza che si utilizza. Nel contesto della leadership, questi rischi cambiano scala, in quanto non riguardano più soltanto la produttività individuale, ma anche la capacità complessiva del team di ragionare e di progredire: ad esempio, un team che per due anni delegasse all’IA la scrittura dei documenti, l’analisi dei dati e la preparazione delle decisioni, senza costituire dei presidi consapevoli sui relativi processi, sarebbe un team che dopo due anni avrebbe meno competenze di prima, anche se producesse di più — e la scoperta di questo fenomeno avverrebbe tipicamente nel momento peggiore, cioè magari quando sarebbe richiesta la capacità di sviluppare un pensiero creativo o critico comunque autonomo rispetto all’IA.
Per il leader aumentato, la conseguenza è duplice. Sul piano della valutazione, la mappa delle competenze del team non può più essere solo un esercizio annuale, ma deve diventare un monitoraggio continuo, attento non solo a ciò che le persone sanno fare, ma anche a ciò che stanno smettendo di fare in modo autonomo rispetto all’IA, e, soprattutto, alle nuove competenze che stanno emergendo dall’interazione con l’IA — come, ad esempio, la capacità di formulare richieste efficaci, di valutare output altrui, di orchestrare più strumenti in un flusso di lavoro. Sul piano dell’azione, il leader diventa custode dello sviluppo cognitivo del proprio team, in quanto decide quali attività devono restare deliberatamente umane anche quando l’IA potrebbe svolgerle, perché sono palestre di competenze critiche, alterna deleghe e pratiche dirette, e valuta le persone non tanto su quanto producono con l’IA, ma su come producono, e su quanto sanno valutare criticamente i loro risultati. Proteggere e coltivare l’intelligenza umana del team in un ambiente che rende costantemente disponibile un’alternativa artificiale è una responsabilità del tutto nuova — e questa gestione e valorizzazione del capitale cognitivo segue la stessa logica per cui i piloti continuano ad addestrarsi al volo manuale anche in un’epoca in cui esistono eccellenti soluzioni in termini di piloti automatici.
Ma quali sono le competenze che stanno effettivamente cambiando? In effetti, non si tratta di uno spostamento generico verso “un utilizzo maggiore della IA”, ma di una redistribuzione precisa. In una prospettiva, alcune competenze si spostano dall’esecuzione alla supervisione: ad esempio, scrivere lascia parzialmente il posto a rivedere e correggere, calcolare lascia parzialmente il posto a impostare il modello e interpretarne i risultati, produrre la prima versione di un documento lascia parzialmente il posto a definirne i criteri di qualità e verificarne la rispondenza. È uno spostamento in sé legittimo — corrisponde, in fondo, a ciò che è sempre successo con ogni automazione — ma diventa produttivo solo se la persona possiede già, o sviluppa parallelamente, la competenza di merito necessaria per supervisionare: ad esempio, non si può validare bene un’analisi finanziaria senza saper leggere un bilancio, né correggere un codice senza saper programmare. In un’altra prospettiva, emergono invece vere e proprie competenze nuove: ad esempio, la capacità di scomporre un problema in istruzioni che un agente possa eseguire efficacemente, la capacità di riconoscere, in un output fluente, i segnali deboli di un errore o di un’allucinazione, la capacità di orchestrare in sequenza più strumenti e più agenti per un unico obiettivo. Il leader aumentato deve saper presidiare entrambe le prospettive: la prima va monitorata perché non si scivoli nell’erosione cognitiva, la seconda va invece riconosciuta, identificata e valorizzata — anche in sede di valutazione dei risultati, cosa che ancora oggi si tende a fare di rado.
Come gli agenti IA evolvono interagendo con le persone
La co-evoluzione, però, opera anche nella direzione opposta, ed è questo il versante forse meno discusso in assoluto: gli agenti non sono infatti degli strumenti statici, ma dei sistemi che si trasformano per effetto dell’interazione con le persone e con l’organizzazione. I meccanismi sono molteplici e sempre più diffusi, dalle memorie persistenti, che accumulano contesto sulle preferenze e sulle attività degli utenti, alle istruzioni permanenti e i profili personalizzati, che orientano stabilmente il comportamento dell’agente, dalle knowledge base organizzative, che gli agenti consultano e che ne plasmano le risposte ai meccanismi di feedback, espliciti o impliciti, che affinano nel tempo la qualità e lo stile degli output. Il risultato è che, dopo mesi di utilizzo, l’agente di un’organizzazione non è più quello “originale di fabbrica”: ha incorporato il linguaggio dell’organizzazione, i suoi criteri di qualità, le sue priorità implicite — e, inevitabilmente, anche i suoi bias.
Da questa constatazione discende un’implicazione tanto semplice quanto impegnativa: la qualità dell’interazione umana determina la qualità dell’agente. Un team che comunica in modo confuso, che fornisce istruzioni ambigue, che dà feedback incoerenti o che alimenta le knowledge base con documenti mediocri, sta letteralmente “addestrando” agenti mediocri, che restituiranno confusione amplificata; un team che comunica con intenzionalità, struttura e chiarezza sta costruendo, giorno dopo giorno, agenti più utili e più affidabili. È esattamente la logica del framework Prompting Humans (Pirozzi, 2025): le categorie che rendono efficace la comunicazione tra persone — contesto, obiettivo, criteri, tono, feedback — sono le stesse che rendono efficace la comunicazione verso le intelligenze artificiali, e viceversa. Nel team ibrido, questa simmetria smette di essere un’analogia scientifico-operativa e diventa una leva gestionale, in quanto investire sulla qualità comunicativa del team significa investire, simultaneamente, sulla qualità dei suoi agenti.
Il leader aumentato è dunque anche il curatore di un ciclo di apprendimento reciproco — e continuo: deve infatti presidiare ciò che gli agenti stanno assorbendo dall’organizzazione, verificando periodicamente che memorie, istruzioni e basi di conoscenza riflettano ciò che l’organizzazione vuole essere, e non soltanto ciò che è stata. C’è infine un rischio specifico da governare, quello dell’eco: agenti addestrati sui contenuti dell’organizzazione tendono a restituirle una versione sempre più raffinata delle sue stesse convinzioni, e un team che dialoga soprattutto con i propri agenti rischia di scambiare questa risonanza per conferma. Spetta al leader introdurre deliberatamente delle dissonanze utili: prospettive esterne, dati scomodi, e la richiesta esplicita, agli agenti come alle persone, di saper argomentare anche contro le ipotesi proposte.
Pertanto, dato che gli agenti evolvono, vanno gestiti lungo un ciclo di vita, non semplicemente “attivati” una volta e lasciati operare: andrebbero inizialmente monitorati con un periodo di “affiancamento” — praticamente un processo di onboarding virtuale — in cui l’autonomia è ridotta e gli output sono sistematicamente verificati, esattamente come si fa con un nuovo collaboratore; andrebbero poi valutati a intervalli regolari, perché le prestazioni possono degradare nel tempo anche per ragioni non ovvie — ad esempio, un aggiornamento del modello sottostante, un cambiamento nei documenti che alimentano la knowledge base, uno scostamento progressivo delle istruzioni permanenti; e andrebbero anche, al momento opportuno, disabilitati in modo esplicito e documentato, invece di essere lasciati a operare per inerzia in un angolo del flusso di lavoro. Tutto questo costituisce una disciplina manageriale nuova, che potremmo chiamare “gestione del portfolio di agenti”.
Un ulteriore impatto operativo riguarda poi il rischio di una deriva silenziosa: un agente la cui memoria si accumula in modo incontrollato — ricordiamoci sempre che siamo solo noi a saper e dover dare il significato alle cose, incluso cosa sia importante e cosa invece non lo sia! — o che viene addestrato in un loop basato soprattutto sui contenuti prodotti da altri agenti dell’organizzazione, può progressivamente allontanarsi dal comportamento originario, amplificando col tempo piccoli errori sistematici o bias iniziali — un fenomeno simile a quello che in ambito tecnico viene chiamato “collasso del modello” nei cicli di addestramento autoreferenziali, e che a livello organizzativo si traduce in agenti che, con il passare del tempo, funzionano un po’ peggio senza che nessuno se ne accorga, perché gli output restano sempre fluenti e plausibili. La contromisura più efficace è sicuramente di processo, non tecnica, e può includere delle verifiche periodiche su un campione di casi noti, una traccia delle istruzioni e delle modifiche subite da ciascun agente nel tempo, e la possibilità di un ripristino a una configurazione precedente quando la deriva viene rilevata — in sostanza, le stesse pratiche di tracciabilità e audit che la governance dei sistemi IA a rischio più elevato già richiede per obbligo normativo, qui vengono applicate come buona pratica manageriale anche dove l’obbligo non sussiste.
Su tutto questo si innesta infine una competenza di verifica delle sostenibilità economico/operativa: gli agenti hanno un costo diretto e misurabile per ogni utilizzo, legato al consumo computazionale (token) e alle licenze, che cresce con l’autonomia e la complessità dei compiti delegati: non sempre questo costo è immediatamente e semplicemente misurabile, con il rischio di andare in cost overrun e/o, peggio, di doversi fermare perché “è finito il plafond” di crediti o equivalente. In definitiva, un leader che delega senza monitorare questa variabile rischia di scoprire, con il tipico ritardo caratteristico della rilevazione dei costi indiretti, che l’efficienza guadagnata sull’esecuzione è stata in parte assorbita da una spesa operativa mal governata: l’IA è una risorsa limitata come tutte le altre — anche se tende a proporsi come illimitata! — e va quindi gestita come tale.
Le nuove soft skill del leader aumentato
In definitiva, per il leader aumentato, quali competenze diventano necessarie? Anche se la leadership fa parte delle soft skill, e quindi sicuramente siamo di fronte ad una evoluzione di queste, dobbiamo considerare anche una evoluzione delle hard skill, soprattutto in termini di management e di governance, di cui ci occuperemo nel prossimo paragrafo.
Per quanto riguarda le soft skill, siamo di fronte ad una evoluzione di alcune soft skill classiche, a cui si aggiunge una soft skill completamente nuova. La comunicazione diventa comunicazione intenzionale bidirezionale: il leader aumentato comunica con consapevolezza e struttura sia verso le persone sia verso gli agenti, sapendo che ogni istruzione è al tempo stesso un atto di guida e un atto di addestramento, e che — come risulta evidente dal parallelismo di Prompting Humans (Pirozzi, 2025) — la chiarezza di contesto, di obiettivo e di criteri costituisce la “valuta comune” di entrambe le relazioni. L’empatia diventa empatia aumentata: la capacità di leggere emozioni, aspettative e non detti delle persone si arricchisce dell’uso consapevole dell’IA come amplificatore — per preparare conversazioni difficili, per analizzare il clima, per simulare prospettive — senza mai ovviamente delegarle la relazione interpersonale, che resta irriducibilmente umana. Il pensiero critico diventa giudizio di validazione, ovvero la competenza, oggi centrale, di valutare in modo affidabile output che non si sono prodotti personalmente — stimarne la plausibilità, individuarne i punti deboli, decidere quando la verifica approfondita è necessaria — che è cosa naturalmente ben diversa, e per molti versi più difficile, del produrre risultati in proprio. La visione sistemica diventa orchestrazione: la capacità di progettare l’architettura del lavoro ibrido, decidendo quali attività assegnare alle persone, quali agli agenti, quali alle coppie persona-agente, e come far circolare informazioni e responsabilità tra questi nodi — la partitura, per tornare alla metafora del direttore d’orchestra. E l’etica diventa governance operativa quotidiana: non solo un insieme di principi da citare nei documenti, ma anche decisioni concrete e ricorrenti su trasparenza, supervisione, protezione dei dati e responsabilità, nella direzione indicata dagli standard professionali e dal quadro regolatorio di cui diremo tra poco.
A queste evoluzioni si aggiunge la competenza forse più distintiva del leader aumentato, perché non ha un equivalente nella leadership tradizionale: la gestione della co-evoluzione. È la capacità di leggere e indirizzare, simultaneamente, le trasformazioni descritte nei due paragrafi precedenti, di accorgersi di come le competenze delle persone si stanno spostando per effetto dell’IA, e di come gli agenti si stanno trasformando per effetto delle persone, di saper riconoscere sia i circoli virtuosi (ad esempio persone più competenti che addestrano agenti migliori, che a loro volta liberano le persone per attività a maggior valore) sia quelli viziosi (ad esempio persone che delegano il pensiero ad agenti che restituiscono mediocrità, il che abbassa ulteriormente l’asticella della qualità) e di saper intervenire sul sistema, non solo sui singoli. È, in ultima analisi, una competenza di ordine più elevato: non solo gestire persone, né gestire agenti, ma gestire la relazione trasformativa tra gli uni e gli altri. Ed è probabilmente su questa competenza che, nei prossimi anni, si giocherà la differenza tra i team ibridi che progrediranno e quelli che si limiteranno a funzionare in modo routinario.
Le nuove hard skill tra management e governance
La leadership aumentata non è però una questione puramente relazionale: la comparsa di “flotte” (swarm) di agenti nei team produce impatti operativi molto concreti sul modo di gestire e di governare un’organizzazione, che richiedono specifiche competenze di management.
La prima di queste competenze è la ridefinizione delle metriche di prestazione del team. I sistemi di misurazione tradizionali tendenzialmente “conteggiano” output, come, ad esempio, documenti prodotti, ticket chiusi, righe di codice scritte: in un team ibrido questi numeri diventano rapidamente ingannevoli, perché crescono con la potenza dell’IA indipendentemente dalla qualità sottostante — lo stesso equivoco già discusso a proposito del workslop (Pirozzi, 2026). Il leader aumentato deve saper progettare e gestire metriche di secondo livello, come, ad esempio, i tassi di verifica effettiva degli output, i tassi di errore rilevati in fase di supervisione, il tempo dedicato alla valutazione rispetto a quello dedicato alla produzione, la stabilità delle prestazioni umane nei contesti non assistiti.
La seconda competenza riguarda la riprogettazione dei processi organizzativi per includere gli agenti come nodi operativi a pieno titolo. Gli strumenti classici della progettazione organizzativa — le matrici di responsabilità, le mappe di processo, i modelli di autorizzazione — sono stati ovviamente pensati per attori umani, e vanno estesi per rappresentare correttamente gli agenti: chi può attivare un agente su quale processo, con quale soglia di autonomia, con quale punto di controllo obbligatorio, con quale percorso di escalation quando l’agente incontra un caso che eccede il suo mandato, e così via. Si tratta di un’attività di business process design applicata a dei tipi eterogenei di attori che la maggior parte degli strumenti esistenti non contempla ancora esplicitamente, ed è un lavoro che, se non viene opportunamente gestito, viene comunque fatto — in modo “ombra” implicito, disomogeneo e poco tracciabile — dai singoli collaboratori mentre usano gli agenti giorno per giorno.
La terza competenza, strettamente collegata, è la governance dei dati e degli accessi: sapere quali informazioni, anche riservate o sensibili, un agente può consultare per svolgere un compito, e assicurarsi che questo accesso sia limitato a ciò che serve e sia tracciato — competenza che oggi ricade spesso, per difetto, sulla funzione IT, ma che riguarda direttamente chi decide come delegare il lavoro, ed è destinata a diventare parte integrante del bagaglio di ogni manager.
La quarta competenza è di conformità e controllo: saper documentare, quando richiesto, che cosa ha prodotto un agente, quali dati e istruzioni ha utilizzato, quali operazioni ha eseguito e chi ne ha supervisionato l’attività. L’AI Act impone obblighi puntuali di registrazione e supervisione per i sistemi ad alto rischio. La stessa logica — rendere ricostruibile una decisione assistita dall’IA — rappresenta una buona pratica organizzativa anche negli altri impieghi, soprattutto nella gestione dei progetti, dove la tracciabilità delle decisioni è già un requisito professionale.
Infine, una competenza più generale ma non meno tecnica: una preparazione (literacy) di base sul funzionamento e sui limiti degli agenti — che cosa possono ragionevolmente fare bene, dove tendono sistematicamente a sbagliare, quali sono i segnali di un’allucinazione plausibile — che sia sufficiente a prendere decisioni informate di delega e di controllo.
Tutte queste non sono competenze aggiuntive da acquisire una tantum, ma parte integrante di ciò che oggi significa fare management: un’organizzazione che utilizza agenti senza investire su metriche, processi, governance del dato e capacità di audit sta accumulando un debito operativo che, come ogni debito tecnico, rischia poi di dover essere ripagato con degli interessi pesanti — tipicamente quando un errore di un agente diventa visibile all’esterno e nessuno è in grado di ricostruire tempestivamente come e perché sia accaduto.
Il leader aumentato come direttore d’orchestra nell’era degli agenti
Ma quali sono le caratteristiche squisitamente umane che deve avere il leader aumentato? La prima è probabilmente la capacità di dare una direzione: decidere dove andare, quali obiettivi meritino di essere perseguiti, quali priorità contino davvero, costituisce un atto di volontà e di giudizio, che presuppone di aver già capito che cosa sta accadendo e cosa dovrà accadere. Già anni fa si parlava di sensemaking (Karl Weick, 1995): l’idea che, prima di poter scegliere una direzione, occorra un lavoro interpretativo che renda coerente una situazione fatta di segnali parziali e talvolta discordanti.
A questa si aggiunge però una capacità, più specifica e assolutamente nuova, che l’IA generativa introduce: quella di saper dare un significato alle cose. Quindi, non solo saper decidere una direzione — e quindi guidare (lead) — ma saper “ancorare” (grounding) i simboli — le parole, i dati, gli obiettivi che circolano nel team — a ciò che realmente rappresentano per le persone coinvolte. Questo problema da risolvere nasce specificamente con l’uso dell’IA generativa, dato che essenzialmente un modello linguistico funziona manipolando token sulla base di regolarità statistiche apprese da enormi quantità di testo, non collegando di per sé quei simboli a dei riferimenti efficaci. Ad esempio, un agente può impiegare con perfetta correttezza sintattica e statistica una parola come “critico” o “urgente”, perché quella parola ricorre in contesti simili nei testi su cui è stato addestrato — ma non ha alcun accesso al motivo per cui una certa cosa è davvero critica per le persone reali coinvolte in quella specifica situazione. Quell’accesso richiederebbe infatti di avere conseguenze vissute, relazioni, una storia condivisa — tutto ciò che è in grado di ancorare alla realtà i simboli al di fuori del sistema che li manipola, e che nessun sistema puramente statistico possiede o può realmente possedere.
È a questo punto che la metafora del direttore d’orchestra smette di essere solo un’immagine efficace e diventa un parallelo preciso, perché il direttore ha una caratteristica che nessun altro membro dell’orchestra condivide: è infatti l’unico a possedere la partitura completa. Ogni orchestrale legge soltanto la propria parte — la propria linea di violino, di corno, di timpani — esattamente come ogni agente, e spesso ogni specialista del team, opera soltanto sulla propria porzione di compito, di dati, di contesto. Solo chi ha davanti la partitura intera può vedere come le parti si intreccino, e solo a partire da questa visione d’insieme può esercitare, insieme, le funzioni che nel team ibrido restano irriducibilmente umane: dare la direzione (il tempo, le entrate, la dinamica dell’insieme), dare il significato (l’interpretazione, ciò che il pezzo vuole comunicare, il perché oltre al cosa), controllare (accorgersi che una nota non torna rispetto a ciò che la partitura prescrive) e comunicare (il cenno, lo sguardo, il gesto che coordina in tempo reale). Nel team ibrido la partitura completa è la conoscenza integrata del contesto, delle relazioni, della storia e della posta in gioco dell’organizzazione.
Da questa doppia funzione discende la definizione delle finalità, delle priorità e del valore, che resta — e deve restare — una prerogativa squisitamente umana. Gli agenti possono infatti ottimizzare qualunque obiettivo venga loro assegnato, e lo faranno con efficienza crescente; ma la scelta di quale obiettivo meriti di essere perseguito, di quali siano le aspettative degli stakeholder da soddisfare, di quale siano le priorità tra risultati di breve e di lungo periodo da concertare, non è un problema di ottimizzazione, ma è un giudizio che richiede insieme le capacità di dare direzione e significato. Il valore non è mai difatti un dato oggettivo da calcolare, ma una costruzione relazionale da comprendere e negoziare — e questa comprensione richiede esattamente ciò che gli agenti non hanno: l’esperienza vissuta delle relazioni e la responsabilità delle conseguenze.
Ed è significativo che questa impostazione non sia soltanto una tesi manageriale, ma la direzione convergente del quadro normativo e professionale: il principio della supervisione umana significativa attraversa l’AI Act europeo, che lo declina in obblighi puntuali per i sistemi a più alto rischio, è al centro della legge italiana 132/2025 sull’intelligenza artificiale, ed è uno dei cardini del già citato Standard for AI in PPPM. Il messaggio istituzionale è coerente con quello di questo articolo: l’autonomia degli agenti è ammessa e benvenuta nella misura in cui esiste, a monte e a valle, un presidio umano capace di comprenderla, indirizzarla e, quando serve, fermarla — un presidio che, come si è visto, non è solo un fatto di controllo, ma è di direzione e di significato. Governare l’IA nei team, come nei progetti, non è una scelta: è già una responsabilità professionale.
Il leader aumentato come garante della direzione e del significato
Un’orchestra non suona bene solo se ogni suo componente opera perfettamente: è infatti necessario che qualcuno possieda la partitura intera, sappia dove condurre l’insieme e sappia anche che cosa quell’insieme sta cercando di esprimere. Lo stesso vale per il team ibrido: la sua qualità non è la somma delle prestazioni di persone e agenti, ciascuno impegnato sulla propria parte, ma il prodotto della loro integrazione attorno a una direzione e a un significato che qualcuno deve custodire per l’insieme. Il leader aumentato è precisamente questo: non chi sa usare più strumenti di IA, ma chi sa far evolvere insieme, e nella direzione giusta, persone e agenti; chi delega con gradualità e trattiene la responsabilità; chi calibra la fiducia sulle evidenze senza cedere né alla fede cieca né alla diffidenza sistematica; chi protegge lo sviluppo cognitivo delle persone mentre cura l’addestramento degli agenti; e chi, soprattutto, possiede l’unica cosa che nessun agente può possedere al suo posto — la “partitura” (contesto) completa — e su di essa continua a esercitare due funzioni che nessuna statistica, per quanto sofisticata, può sostituire: decidere dove andare, e stabilire che cosa, in fondo, tutto questo significhi davvero.
Le tecnologie che rendono possibile tutto questo continueranno a evolvere rapidamente, e con esse le architetture dei team; ma le domande fondamentali della leadership — che cosa vale la pena fare, con chi, e come far crescere chi lo fa — restano immutate, e casomai richiedono risposte sempre più urgenti. Per questo la leadership aumentata non è una competenza del futuro, da acquisire quando le flotte di agenti saranno la normalità del quotidiano, ma è già una responsabilità del presente, perché la co-evoluzione tra persone e intelligenze artificiali è già in corso, in ogni organizzazione che usa l’IA — in modo strutturato o “ombra” (shadow), con o senza qualcuno che ne tenga la partitura completa. La differenza tra subire e dirigere l’IA è, oggi, la vera responsabilità del leader.
Riferimenti
Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them Err. Journal of Experimental Psychology: General, 144(1), 114–126.
Parasuraman, R., & Riley, V. (1997). Humans and Automation: Use, Misuse, Disuse, Abuse. Human Factors, 39(2), 230–253.
Pirozzi, M. (2025). Prompting Humans: se l’IA ci rieduca al dialogo. Agenda Digitale, luglio 2025.
Pirozzi, M. (2025). AI-Stakeholder, come gestirne l’influenza nelle strategie digitali. Agenda Digitale, agosto 2025.
Pirozzi, M. (2026). The Stakeholder Perspective, Second Edition – Projects, People, and Performance in the Generative AI Era. CRC Press, Taylor and Francis Group, June 2026.
Project Management Institute (2026). The Standard for Artificial Intelligence in Portfolio, Program, and Project Management. ANSI/PMI. ISBN 978-1-62825-891-2.
Pirozzi, M. (2026). Thinkslop – AI in azienda, stop al pensiero in subappalto: efficienza sì, delega cognitiva no. Agenda Digitale, luglio 2026.
Quattrociocchi, W., Loru, E., Nudo, J., Di Marco, N. (2025). The Simulation of Judgment in LLMs. PNAS — Proceedings of the National Academy of Sciences, 13 ottobre 2025.
Weick, K. E. (1995). Sensemaking in Organizations. Thousand Oaks, CA: Sage Publications.
Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio (“AI Act”).
Legge 23 settembre 2025, n. 132, recante disposizioni in materia di intelligenza artificiale.
Partecipa alla community