People e AI: cosa i grandi lab hanno frainteso

L'evidenza secondo O'Reilly

Tim O'Reilly misura da decenni il valore con un criterio costante: generare più valore di quello che si cattura. Applica adesso questo metro all'intelligenza artificiale.

Nell'intervista rilasciata a Wired, l'editore e pioniere di internet formula una tesi netta: i grandi laboratori hanno letto male il futuro e hanno frainteso cosa vogliono davvero le persone. La sua osservazione sposta l'attenzione dalla tecnologia alle condizioni di adozione.

O'Reilly sostiene che i modelli di frontiera vengono ottimizzati per casi d'uso specifici, distanti da quelli che le persone desiderano. Definisce l'attuale assetto un'architettura di controllo, progettata per tracciare gli utenti e vincolarli al prodotto. Il paragone richiama Microsoft negli anni '90, quando il lock-in definiva la strategia dominante.

Per chi guida le persone dentro le organizzazioni, questa lettura ha un peso operativo immediato.

Il divario tra frontier AI e uso reale

O'Reilly individua un divario preciso: i progressi nella cosiddetta frontier AI allontanano la tecnologia dai bisogni delle persone comuni. I modelli più grandi risultano migliori per alcune attività e peggiori per altre.

Cita un esempio concreto. Alcuni utenti giudicano i modelli di scrittura avanzati, come Fable e Sol, inferiori ai modelli di livello più basso per la produzione di testi.

Anthropic e OpenAI dissentono da questa valutazione, come registra la stessa intervista. Il punto strutturale resta comunque valido per chi disegna il lavoro: la corsa alla capacità massima assume che la potenza del modello coincida con il valore per l'utente.

Quell'assunto merita verifica empirica dentro ogni organizzazione. La domanda utile diventa operativa: quali attività delle persone traggono beneficio reale dai modelli di frontiera, e quali funzionano meglio con strumenti più leggeri e controllabili?

Architettura di controllo contro partecipazione

La distinzione più forte che O'Reilly propone separa tre elementi: il modello, l'infrastruttura di orchestrazione (harness) e l'applicazione. Chiede una separazione netta tra questi livelli.

Il suo argomento risale agli anni '90. Mentre altri discutevano di licenze open-source, lui insisteva sull'architettura del sistema e sulla sua capacità di abilitare la partecipazione.

Un'architettura di partecipazione lascia alle persone il controllo del proprio special sauce, la logica specifica che rende utile uno strumento nel loro contesto. Un'architettura di controllo trattiene quella logica presso il fornitore.

Per le organizzazioni la differenza pesa. Quando le persone possono adattare gli strumenti ai propri processi, l'adozione cresce in modo organico. Quando gli strumenti restano opachi e vincolanti, l'adozione resta superficiale e fragile.

Il vero collo di bottiglia: la leadership

L'evidenza accumulata su questo desk indica un dato di livello board: appena il 7% dei leader risulta pronto a governare i deployment di AI. Questa cifra riguarda chi commissiona, valuta e regola l'adozione, distinta dai dipendenti che usano gli strumenti ogni giorno.

Il ragionamento di O'Reilly rafforza questa lettura. Quando i laboratori fraintendono i bisogni delle persone, il compito dei leader diventa colmare quella distanza dentro l'organizzazione.

Un'organizzazione dotata di strumenti eccellenti e leadership impreparata ottiene risultati peggiori di una con strumenti mediocri e leadership alfabetizzata. Il collo di bottiglia vive nella capacità di giudizio, distante dal budget tecnologico.

Adozione e readiness restano concetti distinti. Le persone adottano rapidamente; i leader, invece, faticano a costruire le condizioni, i criteri di valutazione e le regole di governance che rendono l'adozione produttiva.

Convertire il talento interno batte il mercato esterno

Un secondo dato orienta la strategia di talent: la conversione del talento interno batte in modo sistematico il recruiting esterno per la capability di AI. Le persone già dentro l'organizzazione portano contesto, relazioni e conoscenza dei processi.

Le cifre di adozione documentate lo confermano. Le organizzazioni che registrano tassi elevati di partecipazione volontaria dei propri professionisti ottengono performance superiori rispetto all'assunzione isolata di specialisti esterni.

Il collegamento con la tesi di O'Reilly è diretto. Una capability radicata nel contesto richiede strumenti che le persone possano modellare, e l'architettura di partecipazione favorisce proprio questo apprendimento interno.

Per il CHRO la priorità diventa il disegno dei percorsi di L&D, la mobilità interna e i criteri di valutazione delle competenze. Costruire capability adesso riduce il debito di competenze che, altrimenti, diventa un costo di acquisizione entro pochi trimestri.

Il botsitting come fallimento di design

Un terzo segnale merita attenzione: la supervisione passiva dell'output dell'AI assorbe ore di lavoro settimanale in molte funzioni. Questo fenomeno, definito botsitting, misura un design sbagliato del workflow.

Quando le persone sorvegliano l'output in modo passivo, il problema risiede nel processo, distante dai limiti del modello. L'AI è stata inserita in un flusso progettato per gli umani, privo di una ridefinizione dei ruoli.

Si tratta di un fallimento di change management, distinto da un fallimento tecnologico. Il rimedio richiede ridisegnare i passaggi, chiarire dove il giudizio umano aggiunge valore e dove la macchina opera in autonomia.

O'Reilly offre la cornice giusta. Una separazione pulita tra modello, harness e applicazione permette di ricostruire il workflow attorno alle persone. Il design del processo, quindi, precede la scelta dello strumento e ne determina il rendimento reale.

La design question per i decisori

L'evidenza converge su una conclusione operativa per ogni ruolo di vertice. La tecnologia esiste; la variabile decisiva resta la condizione organizzativa progettata dai leader.

Ecco cosa cambia per chi decide:

• CEO: portare al board una conversazione sulla readiness organizzativa, distinta dai tassi di adozione.
• CHRO: fissare le priorità di L&D, talent e organizational design attorno alla conversione interna.
• CFO: valutare l'investimento nello sviluppo delle persone come voce con ROI documentabile.
• Talent & Compensation Committee: monitorare le metriche di capitale umano, dalla readiness dei leader al debito di competenze.

La distanza tra ciò che i laboratori costruiscono e ciò che le persone usano definisce la sfida di governo descritta da questa evidenza. Per approfondire altre analisi sul capitale umano, resta utile la sezione blog.

La design question finale resta diretta: quali condizioni stanno creando oggi i leader perché le persone possano modellare l'AI attorno al lavoro reale?