Per decenni entrare in una professione ha significato iniziare dalle attività più semplici. Scrivere una prima bozza, correggere piccoli errori, preparare documentazione, analizzare casi elementari, compilare report, fare ricerche preliminari, modificare poche righe di codice. Compiti spesso ripetitivi e poco prestigiosi, ma con una funzione precisa: permettere a chi era all’inizio di osservare il lavoro, sbagliare in un contesto relativamente protetto e costruire progressivamente esperienza.
L’intelligenza artificiale generativa interviene proprio su questa fascia di attività.
Questo non significa necessariamente che le professioni junior siano destinate a scomparire. L’International Labour Organization, nel suo aggiornamento del 2025 sull’esposizione occupazionale alla GenAI, sottolinea che per la maggior parte dei lavori lo scenario più probabile resta quello della trasformazione delle mansioni, più che della completa sostituzione. Circa un lavoratore su quattro nel mondo opera però in una professione con un certo grado di esposizione alla tecnologia. La questione diventa allora più complessa.
Se una parte delle attività attraverso cui un professionista imparava il mestiere viene delegata alle macchine, come si costruisce l’esperienza necessaria per affrontare quelle più difficili? È possibile automatizzare il primo gradino di una carriera senza modificare anche tutti quelli successivi?
Indice degli argomenti
Il lavoro junior non era soltanto lavoro semplice
Nel dibattito sull’automazione le mansioni vengono spesso classificate in base alla loro standardizzabilità. Quelle più ripetitive, prevedibili e facilmente codificabili sono considerate candidate naturali all’automazione.
Dal punto di vista dell’efficienza aziendale il ragionamento è comprensibile. Se un sistema può produrre in pochi secondi la prima versione di un documento, sintetizzare informazioni, generare codice relativamente semplice o predisporre una risposta standard, affidargli queste attività può ridurre tempi e costi.
Ma una mansione semplice per un professionista esperto può avere un valore molto diverso per chi sta imparando.
Un giovane sviluppatore che corregge bug elementari non sta soltanto risolvendo bug. Impara a leggere codice scritto da altri, a comprenderne l’architettura, a riconoscere le conseguenze di una modifica e a capire perché alcune soluzioni apparentemente corrette falliscono.
Un analista che prepara manualmente un primo report non produce soltanto un documento. Impara quali dati siano affidabili, quali informazioni siano realmente rilevanti e quali anomalie meritino attenzione.
Una parte consistente del lavoro entry level è sempre stata, contemporaneamente, produzione e apprendimento. Automatizzare la prima senza interrogarsi sul secondo rischia quindi di lasciare incompleto il processo.
I primi segnali nel mercato del lavoro
È ancora presto per stabilire quanto questo meccanismo stia modificando strutturalmente l’occupazione. Esistono tuttavia alcuni segnali interessanti.
Una ricerca dello Stanford Digital Economy Lab, aggiornata nel 2026 e basata su dati amministrativi relativi a milioni di lavoratori statunitensi, non rileva per ora uno spostamento occupazionale generalizzato riconducibile all’intelligenza artificiale. Individua però una differenza significativa tra fasce di esperienza.
Nelle professioni maggiormente esposte all’AI, l’occupazione dei lavoratori tra 22 e 25 anni risulta inferiore rispetto alla traiettoria osservata tra i giovani impiegati nei lavori meno esposti. Lo stesso fenomeno non appare con intensità analoga tra i lavoratori più esperti. I ricercatori osservano inoltre che l’aggiustamento sembra avvenire soprattutto attraverso minori assunzioni dei giovani, più che attraverso il licenziamento di persone già occupate.
Sono dati statunitensi e non possono essere automaticamente generalizzati ad altri mercati. Gli stessi autori invitano alla cautela nell’attribuire ogni variazione occupazionale esclusivamente all’intelligenza artificiale.
Il segnale rimane però rilevante perché suggerisce una possibilità: l’impatto dell’automazione potrebbe manifestarsi non soltanto attraverso la sostituzione di posti esistenti, ma attraverso una diversa scelta su chi assumere e quale livello di autonomia richiedere fin dall’ingresso.
Quando per essere junior bisogna già comportarsi da senior
Qui emerge un possibile paradosso. Se l’intelligenza artificiale automatizza alcune delle attività più semplici, alle persone restano in proporzione maggiore quelle difficili da automatizzare: verificare risultati, comprendere il contesto, individuare eccezioni, prendere decisioni, affrontare ambiguità e assumersi responsabilità. Sono precisamente capacità che tendono a svilupparsi con l’esperienza.
Il rischio è quindi la comparsa di posizioni formalmente entry level nelle quali vengono richieste competenze che, in passato, maturavano dopo anni di lavoro.
Non necessariamente perché le aziende pretendano deliberatamente “junior con esperienza”, fenomeno peraltro precedente alla GenAI, ma perché cambia la composizione stessa delle attività.
Immaginiamo un processo nel quale dieci compiti semplici e due complessi erano affidati a una persona junior sotto supervisione. Se otto dei primi dieci vengono automatizzati, il lavoro umano rimasto sarà proporzionalmente più concentrato sulle eccezioni e sui problemi difficili. La produttività può aumentare. La curva di apprendimento, però, cambia. Ed è quella curva che deve essere riprogettata.
L’altra faccia del problema: l’AI può accelerare l’apprendimento
Automatizzare parte del lavoro iniziale non significa necessariamente produrre deskilling. Esistono evidenze anche del fenomeno opposto.
Uno studio condotto da Erik Brynjolfsson, Danielle Li e Lindsey Raymond su oltre 5.000 operatori di customer support ha osservato che l’utilizzo di un assistente basato su AI generativa aumentava in media la produttività del 14%. Il vantaggio risultava però molto più elevato tra i lavoratori meno esperti e con performance iniziali inferiori, per i quali l’incremento raggiungeva il 34%.
Gli autori suggeriscono che il sistema riuscisse in parte a trasferire ai nuovi lavoratori comportamenti e pratiche utilizzate dai colleghi più esperti.
Da questo punto di vista l’AI può funzionare come un meccanismo di distribuzione della conoscenza organizzativa.
Un junior può chiedere una spiegazione senza aspettare la disponibilità di un collega, confrontare diverse soluzioni, ottenere esempi, ricevere una prima revisione e affrontare prima attività che in passato sarebbero state considerate troppo avanzate. L’effetto dipende quindi da come la tecnologia viene inserita nel lavoro.
Un sistema che sostituisce l’esecuzione di un compito e uno che supporta la persona mentre lo esegue possono utilizzare tecnologie simili, ma produrre conseguenze molto diverse sull’apprendimento.
Il rischio del deskilling
Il problema emerge soprattutto quando una persona riesce a ottenere un risultato senza comprendere pienamente il processo attraverso cui è stato prodotto.
Il fenomeno non nasce con l’intelligenza artificiale. Ogni tecnologia che automatizza una competenza riduce la necessità di esercitarne alcune componenti. Calcolatrici, navigatori satellitari, correttori automatici e motori di ricerca hanno già modificato le capacità che utilizziamo quotidianamente.
Con la GenAI, però, il perimetro delle attività delegabili comprende sempre più anche compiti cognitivi.
Una ricerca presentata a CHI 2025 da Microsoft Research, basata su 319 knowledge worker e 936 esempi reali di utilizzo della GenAI, ha rilevato un’associazione tra maggiore fiducia nell’intelligenza artificiale e minore esercizio dichiarato del pensiero critico. Il lavoro cognitivo, tuttavia, non scompare necessariamente: tende in parte a spostarsi verso la verifica delle informazioni, l’integrazione delle risposte e la supervisione del risultato.
È una distinzione fondamentale. Utilizzare meno una determinata capacità non significa automaticamente diventare meno competenti nel complesso. Potrebbe significare sviluppare competenze differenti. Il rischio nasce quando la capacità che smettiamo di esercitare è proprio quella necessaria per controllare il sistema al quale l’abbiamo delegata.
Per riconoscere codice sbagliato bisogna comprendere almeno in parte come dovrebbe funzionare quello corretto. Per individuare un’interpretazione economica inconsistente servono conoscenze economiche. Per riconoscere un errore in una bozza legale non basta sapere utilizzare bene un chatbot.
La verifica non è indipendente dalla conoscenza necessaria per produrre: spesso nasce proprio da essa.
Chi formerà i professionisti esperti di domani?
È forse questa la questione meno visibile. Un senior non nasce senior.
Le organizzazioni possono ridurre oggi la necessità di alcune figure junior grazie all’automazione e continuare a disporre di professionisti esperti formati nel sistema precedente. L’eventuale problema potrebbe apparire soltanto diversi anni dopo, quando sarà necessario sostituire quelle competenze.
La formazione professionale contiene infatti una componente temporale difficile da comprimere.
Conoscere una procedura non equivale ad aver incontrato decine di casi diversi. Avere accesso alle informazioni non significa possedere capacità di giudizio. Ricevere una soluzione corretta da un modello non produce automaticamente la capacità di capire quando quella soluzione smette di essere valida.
In molti lavori l’esperienza consiste proprio nell’accumulazione di casi, errori, eccezioni e confronti.
Se questi passaggi diminuiscono, bisogna creare altri modi per produrre lo stesso apprendimento.
Il mentoring diventa più importante, non meno
Una possibile conseguenza è la necessità di rendere esplicito ciò che prima avveniva in modo informale.
Molte organizzazioni hanno storicamente affidato parte della formazione alla struttura stessa del lavoro: il junior eseguiva, il senior correggeva e attraverso questa interazione avveniva il trasferimento delle competenze.
Se l’AI si colloca tra queste due figure, quel trasferimento non è più automatico.
Potrebbe essere necessario introdurre momenti dedicati alla revisione dei risultati prodotti con l’AI, chiedere ai junior di spiegare perché abbiano accettato o rifiutato un suggerimento, mostrare non soltanto la soluzione corretta ma il ragionamento utilizzato per raggiungerla.
Anche il ruolo del senior cambia.
Non si tratta più soltanto di controllare l’output finale, ma di rendere visibili competenze che con il tempo diventano tacite: perché una soluzione sembra sospetta, quali segnali anticipano un problema, quali domande devono essere poste prima di scegliere un approccio.
Il mentoring può così passare dalla semplice correzione del lavoro alla trasmissione del criterio con cui il lavoro viene valutato.
La formazione non può iniziare il primo giorno di lavoro
Il problema non riguarda però soltanto le aziende. Se le attività tradizionalmente affidate ai neoassunti diminuiscono, anche università, scuole professionali, bootcamp e percorsi di formazione devono interrogarsi su quali competenze sviluppare prima dell’ingresso nel mercato del lavoro.
Non significa pretendere competenze senior da uno studente né trasformare ogni percorso universitario in addestramento all’utilizzo dell’intelligenza artificiale.
Significa piuttosto evitare che apprendimento e produzione di un risultato vengano considerati equivalenti.
In un contesto nel quale generare codice, testi, analisi preliminari e sintesi diventa sempre più semplice, acquisiscono maggiore valore esercizi nei quali sia necessario spiegare una scelta, verificare una risposta, confrontare fonti, individuare errori e ricostruire il procedimento utilizzato. Anche i metodi di valutazione possono cambiare. Se un sistema è in grado di produrre facilmente una risposta plausibile, diventa meno significativo misurare soltanto il risultato finale. Può diventare più importante verificare se lo studente sappia motivarlo, riconoscerne i limiti, identificare un’assunzione sbagliata o correggerlo quando contiene un errore.
Questo non elimina la necessità di conoscere i fondamentali. Al contrario, proprio perché la produzione diventa più accessibile, diventa essenziale distinguere tra saper ottenere una risposta e sapere se quella risposta è corretta.
Università e aziende affrontano quindi lo stesso problema da due estremità differenti: garantire che l’accesso a strumenti più potenti non sostituisca la costruzione delle conoscenze necessarie per utilizzarli con criterio.
Non tutto ciò che può essere automatizzato deve esserlo
Esiste poi una scelta organizzativa controintuitiva. Non tutto ciò che può essere automatizzato deve necessariamente esserlo al cento per cento. Dal punto di vista produttivo far eseguire manualmente a un junior un’attività che una macchina completerebbe in pochi secondi può sembrare inefficiente. Dal punto di vista formativo, invece, quella stessa attività potrebbe essere utile.
La distinzione non è completamente nuova.
Un pilota utilizza sistemi automatici ma continua ad addestrarsi anche sulle procedure da seguire in loro assenza. Un medico può utilizzare strumenti diagnostici senza rinunciare allo studio dei principi che consentono di interpretarne il risultato.
Anche nei lavori cognitivi potrebbero quindi essere necessari spazi nei quali alcune attività vengano svolte senza assistenza completa, non perché sia il modo più rapido per produrre un risultato, ma perché è il modo migliore per sviluppare una competenza.
La massima produttività nel breve periodo e la massima capacità professionale nel lungo periodo non sempre coincidono.
Formare costa, automatizzare conviene subito
Qui emerge però un problema economico difficile da ignorare. Mantenere deliberatamente una quota di attività manuale affinché una persona junior possa imparare significa accettare, almeno nel breve periodo, una soluzione meno efficiente.
Significa utilizzare tempo dei professionisti senior per la supervisione, mantenere lavoratori che inizialmente producono meno e rinunciare a una parte dei risparmi ottenibili attraverso l’automazione. La formazione è sempre stata un investimento, ma l’AI rende il suo costo opportunità molto più visibile.
Se un’attività che richiede alcune ore a un neoassunto può essere svolta in pochi minuti da un sistema automatico, affidarla comunque alla persona deve essere giustificato non più soltanto come necessità operativa, ma anche come investimento nella costruzione di competenze future.
Ed è qui che gli incentivi di un’organizzazione possono entrare in tensione.
Dal punto di vista finanziario, ridurre il numero di attività entry level o il relativo headcount può produrre un beneficio misurabile nell’immediato. Dal punto di vista di chi deve gestire tecnologia, persone, continuità delle competenze e successione dei ruoli, ridurre sistematicamente quelle posizioni può invece restringere il bacino dal quale emergeranno gli specialisti e i responsabili di domani.
Non è necessariamente un conflitto letterale tra CFO, CTO e direzione HR, né tutte le aziende prenderanno le stesse decisioni. È piuttosto una tensione tra due orizzonti temporali: efficienza immediata e capacità futura dell’organizzazione.
I benefici dell’automazione sono relativamente semplici da contabilizzare oggi. Il costo di una competenza che non viene più costruita potrebbe emergere soltanto tra cinque o dieci anni. Ed è proprio questa distanza temporale a rendere il problema difficile da governare.
Cambia anche ciò che significa essere competenti
La soluzione, tuttavia, non può essere conservare artificialmente tutti i compiti del passato. Alcune competenze perderanno effettivamente importanza mentre altre ne acquisteranno.
Secondo il Future of Jobs Report 2025 del World Economic Forum, le aziende intervistate prevedono che il 39% delle competenze fondamentali richieste ai lavoratori cambierà entro il 2030. Tra quelle considerate in maggiore crescita figurano AI e big data, cybersecurity e alfabetizzazione tecnologica, insieme a pensiero analitico, creatività, resilienza e capacità di apprendimento continuo.
L’OECD Skills Outlook 2025 descrive dinamiche simili per alcune professioni tecnologiche: strumenti di AI generativa e piattaforme low-code possono ridurre il peso delle attività più routinarie mentre cresce l’importanza di competenze legate all’architettura dei sistemi, alla sicurezza e alla capacità di comprendere problemi più complessi.
Il punto non è quindi formare i junior del 2030 esattamente come quelli del 2020. È capire quali fondamentali debbano continuare a essere appresi direttamente e quali possano invece essere delegati senza compromettere la capacità futura di ragionare sui sistemi che utilizziamo.
Dalla carriera lineare alla progressione per competenze
Anche i percorsi professionali potrebbero diventare meno lineari. Il modello tradizionale era relativamente semplice: attività elementari, poi compiti progressivamente più complessi, infine maggiore autonomia, coordinamento e responsabilità. L’AI modifica questa progressione.
Una persona con poca esperienza può essere in grado, utilizzando gli strumenti giusti, di produrre rapidamente risultati che in passato richiedevano competenze più avanzate. Ma questo non significa necessariamente che possieda la stessa capacità di valutarli autonomamente. Output e competenza possono quindi separarsi.
Per le aziende significa che misurare la crescita professionale soltanto attraverso quantità e velocità del lavoro potrebbe diventare meno indicativo.
Potrebbero acquisire maggiore importanza altri indicatori: capacità di spiegare una scelta, individuare un errore, confrontare alternative, riconoscere i limiti dello strumento, gestire situazioni nuove e capire quando sia necessario coinvolgere una persona più esperta.
La domanda non sarà soltanto “quanto riesce a produrre questo junior?”, ma anche “quanto comprende ciò che sta producendo?”.
Il vero problema non è avere meno junior
Non sappiamo ancora se l’adozione dell’intelligenza artificiale porterà nel lungo periodo a una riduzione sostanziale dei posti entry level, alla nascita di nuovi ruoli oppure soprattutto alla trasformazione di quelli esistenti. Le evidenze disponibili permettono di osservare alcune tendenze, non di stabilire un destino inevitabile.
Ciò che appare già più chiaro è che produttività e formazione non possono essere considerate automaticamente coincidenti.
L’AI può ridurre una parte del lavoro ripetitivo e, allo stesso tempo, offrire ai nuovi lavoratori strumenti potenti per imparare più velocemente. Può distribuire conoscenze che prima erano concentrate nei professionisti più esperti oppure interrompere alcuni dei meccanismi attraverso cui quelle competenze venivano costruite.
La differenza dipenderà in buona parte dal modo in cui saranno progettati lavoro, supervisione, formazione e percorsi di crescita.
Il problema, quindi, non riguarda soltanto quanti posti junior sopravvivranno all’automazione. Riguarda il modo in cui università e aziende costruiranno i professionisti chiamati a operare in un ambiente nel quale una parte crescente dell’esecuzione sarà automatizzata.
L’AI può accorciare molti processi. La costruzione dell’esperienza, però, non è detto che possa essere abbreviata nello stesso modo.
Per questo la scelta decisiva potrebbe non essere tra automatizzare o non automatizzare, ma tra limitarsi a utilizzare l’AI per ridurre i costi del lavoro esistente oppure investire parte della produttività ottenuta nella costruzione di nuove competenze.
L’efficienza conquistata oggi ha un valore evidente. Più difficile da misurare, ma altrettanto importante, è il costo delle competenze che potremmo scoprire domani di non avere più costruito.
Partecipa alla community