Non conta quante volte interroghiamo ChatGPT. La vera frontiera è imparare a progettare il lavoro sapendo che una parte della ricerca, dell’analisi e dell’esecuzione può essere affidata all’intelligenza artificiale. Il cambiamento riguarda la produttività, ma soprattutto il significato stesso di “lavoratore della conoscenza”.
Qualche giorno fa ho fatto a ChatGPT una domanda un po’ vanitosa, ma con una curiosità professionale dietro: considerando frequenza, intensità e varietà del mio utilizzo, in quale percentile dei suoi utenti mi collocherebbe? La risposta iniziale era molto gratificante. Talmente gratificante da farmi venire voglia di controllarla.
Scavando, è emerso che una graduatoria pubblica di quel tipo non esiste. OpenAI pubblica molti dati sull’utilizzo di ChatGPT, ma non una distribuzione che permetta di dire seriamente a un singolo utente: sei nel 90°, 95° o 99° percentile. La domanda sbagliata, però, ne aveva fatta emergere una molto più interessante: che cosa distingue davvero un utilizzatore maturo dell’intelligenza artificiale da uno che semplicemente la usa molto?
Indice degli argomenti
Contare i prompt non basta più
I dati più recenti cominciano a dare qualche risposta. OpenAI Signals ha seguito nel tempo un campione di utenti di ChatGPT e ha osservato che, sei mesi dopo l’iscrizione, inviavano in media il 50% di messaggi in più al giorno e avevano raddoppiato il numero di attività differenti sperimentate con il sistema. OpenAI misura queste due dimensioni come depth e breadth: profondità e ampiezza dell’utilizzo.
È già un primo passaggio importante. Imparare a usare l’AI non significa soltanto interrogarla più spesso. Significa progressivamente capire per quali problemi può essere utile, portarla in attività nuove e affidarle una parte crescente del proprio lavoro. Il numero di prompt, preso da solo, rischia così di diventare l’equivalente digitale del numero di ore passate in ufficio: misura l’attività, non necessariamente il valore prodotto.
Anche la natura delle richieste sta cambiando. Nell’agosto 2026 OpenAI ha descritto esplicitamente il passaggio from asking to doing: nell’uso lavorativo le persone risultano più di due volte più propense a usare ChatGPT per completare un’attività o creare qualcosa rispetto all’utilizzo non lavorativo. L’AI si sta cioè spostando dalla risposta all’esecuzione. Ma anche questa distinzione comincia a essere insufficiente.
Usare l’AI, lavorare con l’AI, progettare il lavoro con l’AI
Possiamo semplificare molto. Ci sono almeno tre modi profondamente diversi di utilizzare lo stesso strumento.
Il primo è usare l’AI. Le faccio una domanda e ottengo una risposta: spiegami questo, riassumimi quello, scrivimi una mail, suggeriscimi cinque idee. È il modello che ha reso popolare ChatGPT e che continua a produrre valore ogni giorno.
Il secondo è lavorare con l’AI. Il prompt non è più un ordine isolato, ma l’inizio di un processo. Porto documenti, aggiungo contesto, contesto la prima conclusione, chiedo fonti, confronto ipotesi, cambio prospettiva, correggo e raffino. Il risultato non esiste nella prima risposta: emerge dall’interazione fra intelligenza umana e artificiale.
Il terzo passaggio è più radicale: progettare il lavoro con l’AI. Non mi domando più soltanto che cosa ChatGPT possa fare per aiutarmi in un’attività che ho sempre svolto nello stesso modo. Mi domando come organizzerei da zero quell’attività sapendo di poter disporre di un’intelligenza capace di cercare, leggere, confrontare, sintetizzare, analizzare, produrre contenuti, utilizzare strumenti e svolgere sequenze sempre più articolate di operazioni.
È qui che comincia quello che chiamerei AI-native knowledge worker. Non una persona che conosce molti prompt, né semplicemente qualcuno che usa l’AI tutti i giorni. Una persona che ha iniziato a cambiare l’architettura del proprio lavoro perché l’intelligenza artificiale ne è diventata una componente disponibile fin dall’inizio.
Quando l’AI-native knowledge worker allarga i confini del mestiere
Un dato pubblicato da OpenAI nel luglio 2026 rende concreto questo cambiamento. Analizzando oltre 800.000 messaggi lavorativi di utenti statunitensi di ChatGPT, i ricercatori hanno rilevato che il 43,5% delle richieste riconducibili a una professione riguardava attività tradizionalmente associate a un’altra professione. Se allarghiamo il denominatore a tutti i messaggi legati al lavoro, la quota è il 16,8%.
Un commerciale può esplorare autonomamente un dataset che in passato avrebbe passato a un analyst. Un piccolo imprenditore può costruire una prima analisi finanziaria, esaminare un contratto o preparare testi di marketing. Chi si occupa di marketing può affrontare un problema tecnico senza che il primo passaggio debba necessariamente essere una richiesta a uno sviluppatore. Questo non significa che il commerciale diventi data scientist o che l’imprenditore diventi avvocato. Significa qualcosa di più interessante: si allarga il perimetro di ciò che una persona può iniziare a prendere in carico.
L’AI modifica quindi non soltanto come viene svolto un lavoro, ma anche chi può fare che cosa e in quale momento serve davvero passare il problema a uno specialista. È un cambiamento potenzialmente enorme per il modo in cui sono costruite professioni, organizzazioni e carriere.
Il salto dell’AI-native knowledge worker è epistemologico
Per decenni abbiamo pensato al knowledge worker soprattutto come a qualcuno che possiede conoscenze specialistiche e sa applicarle: l’ingegnere, il medico, il giornalista, il manager, il consulente, l’avvocato, il ricercatore. L’intelligenza artificiale non rende improvvisamente inutile quella conoscenza. Al contrario, in molti casi serve proprio per riconoscere un errore, formulare una domanda migliore o valutare una risposta.
Ma viene meno una premessa che abbiamo dato a lungo per scontata: che gran parte del valore professionale dipenda dal fatto che la conoscenza necessaria debba trovarsi direttamente nella testa della persona, oppure nella rete di specialisti a cui quella persona ha accesso.
La domanda tradizionale del knowledge worker è stata soprattutto: che cosa so e che cosa so fare? Quella dell’AI-native knowledge worker diventa progressivamente: come costruisco il sistema migliore per arrivare a un risultato affidabile, combinando ciò che so con persone, dati, fonti e intelligenza artificiale?
È un passaggio epistemologico prima ancora che tecnologico. Il valore si sposta, almeno in parte, dal possesso della risposta alla capacità di progettare il processo attraverso il quale quella risposta viene prodotta, contestata, verificata e trasformata in decisione. A quel punto il modello di maturità può diventare sorprendentemente semplice.
Definire. Delegare. Giudicare.
Definire bene il problema e il risultato che stiamo cercando. Delegare alla macchina ciò che può svolgere meglio, più velocemente o su una scala che per noi sarebbe impossibile. Giudicare ciò che ritorna, riconoscerne i limiti e assumersi la responsabilità della decisione finale.
I più avanzati non delegano il pensiero
Il Work Trend Index 2026 di Microsoft offre un riscontro interessante. La ricerca ha coinvolto 20.000 knowledge worker che utilizzano l’AI in dieci Paesi, Italia compresa, e identifica un gruppo di utenti particolarmente avanzati, i Frontier Professionals, pari al 16% del campione. Non vengono definiti sulla base del numero di prompt, ma attraverso tre comportamenti: uso avanzato degli agenti per lavori complessi e multistep, riprogettazione abituale dei workflow e creazione di pratiche AI ripetibili e condivisibili.
Il risultato più interessante, però, non riguarda quanto lavoro affidano alla macchina. Riguarda ciò che continuano a fare loro. Nell’intero campione, l’86% dichiara di considerare l’output dell’AI un punto di partenza e non una risposta finale. I Frontier Professionals sono inoltre molto più propensi degli altri a fermarsi prima di iniziare un lavoro per decidere intenzionalmente quale parte debba essere svolta dall’intelligenza artificiale e quale da una persona: 53% contro 33%.
Questo capovolge una delle paure più semplicistiche sull’AI. L’utilizzatore avanzato non è necessariamente quello che delega tutto. È quello che diventa più competente nel decidere che cosa delegare. Potrebbe essere una delle capacità professionali più importanti dei prossimi anni. Non semplicemente prompt engineering, ma work allocation: distribuire consapevolmente il lavoro tra intelligenza umana e artificiale.
La vera misura: riesco a fare cose che prima non potevo fare?
Un altro dato Microsoft aiuta a distinguere il semplice aumento di produttività da qualcosa di più profondo. Nel campione del Work Trend Index, il 58% degli utilizzatori di AI afferma di riuscire oggi a produrre lavori che un anno prima non sarebbe stato in grado di realizzare. Tra i Frontier Professionals la percentuale sale all’80%.
Se svolgo in venti minuti ciò che prima richiedeva un’ora, ho aumentato la produttività. Se riesco a svolgere qualcosa che prima non avrei affrontato affatto, è cambiato il perimetro della mia capacità.
Anche l’Anthropic Economic Index di marzo 2026 individua una vera curva di apprendimento nell’utilizzo dell’AI. Gli utenti che utilizzano Claude da almeno sei mesi tendono ad affrontare attività di maggiore valore e mostrano un tasso di successo nelle conversazioni circa 10% superiore rispetto agli utenti con minore anzianità d’uso, anche controllando per una serie di differenze osservabili. Anthropic interpreta il dato con prudenza: potrebbe riflettere in parte la maggiore sofisticazione degli early adopters, ma è compatibile anche con un effetto di learning by doing.
L’esperienza con l’intelligenza artificiale sembra dunque produrre una forma di apprendimento che non riguarda soltanto il modo di formulare una richiesta. Con il tempo impariamo a riconoscere meglio che cosa può fare la macchina, quale modello utilizzare, dove darle autonomia, quando interromperla, quali fonti pretendere e soprattutto quali problemi possiamo permetterci di affrontare.
Oltre l’AI literacy: riprogettare i workflow
Questo ha una conseguenza anche per le organizzazioni. Molti programmi di AI literacy sono ancora costruiti prevalentemente attorno allo strumento: come funziona un modello, come scrivere un prompt efficace, quali dati possiamo utilizzare, come riconoscere le allucinazioni, quali sono i rischi legali e di sicurezza. Sono competenze necessarie, ma potrebbero presto rappresentare soltanto il primo livello.
Il rischio è formare persone molto brave a utilizzare strumenti nuovi dentro processi rimasti identici. La domanda più avanzata è un’altra: se questa capacità fosse sempre esistita, avremmo progettato questo lavoro nello stesso modo?
Se la risposta è no, il problema smette di essere soltanto formativo. Diventa organizzativo. Occorre ripensare attività, passaggi di mano, responsabilità, verifiche, competenze e soprattutto il punto nel quale è realmente necessario l’intervento umano.
La maturità AI, in questa prospettiva, non consiste nell’eliminare progressivamente l’essere umano dal processo. Consiste nel collocarlo dove produce più valore. Quanto più la macchina diventa capace di cercare, sintetizzare e produrre, tanto più acquistano peso la formulazione del problema, la conoscenza del contesto, il pensiero critico, la valutazione della qualità e la responsabilità della decisione.
AI-native knowledge worker: una domanda diversa
Sono quindi tornato alla curiosità dalla quale ero partito: in quale percentile sono come utilizzatore di ChatGPT? A quel punto la risposta aveva perso quasi tutto il suo interesse.
Forse abbiamo iniziato a misurare l’adozione dell’intelligenza artificiale con le stesse categorie con cui misuravamo l’adozione di un software: utenti attivi, frequenza di accesso, numero di prompt, tempo risparmiato. Erano indicatori utili per capire la prima fase. Per la prossima potrebbero non bastare.
Una misura più interessante potrebbe essere: che cosa riesco oggi a prendere in carico, dall’inizio alla fine, che prima non avrei saputo o potuto fare, mantenendo però la capacità di capire, verificare e assumermi la responsabilità del risultato?
È forse qui la differenza fra utilizzare l’intelligenza artificiale ed essere un AI-native knowledge worker. Il knowledge worker del Novecento costruiva valore soprattutto attraverso ciò che sapeva e sapeva fare. Quello AI-native dovrà costruirlo sempre più attraverso la qualità del sistema con cui arriva a sapere e a fare. E quanto più lavoro potrà affidare alle macchine, tanto più resterà sua una responsabilità che nessun prompt può delegare: capire quale domanda vale la pena porre, a quali risposte credere e che cosa farne dopo.
Partecipa alla community