Cosa serve per usare bene l’intelligenza artificiale

Nel suo nuovo libro, Co-Existence, Ethan Mollick racconta il passaggio dai chatbot agli agenti e spiega perché a guadagnare di più sono le persone che provano.

Nel 2022, qualche mese prima dell’arrivo di ChatGPT, un gruppo di superprevisori aveva stimato che la probabilità di un oro di un’intelligenza artificiale alle Olimpiadi internazionali della matematica entro il 2025 fosse pari al 2,3 per cento. Nel 2025, questo obiettivo è stato raggiunto da Google e OpenAI, con modelli linguistici simili a quelli che poco tempo prima facevano fatica a contare le “r” di “strawberry”. In meno di tre anni siamo passati dall’usare i chatbot per scrivere le mail a sistemi che ragionano prima di rispondere e lavorano in autonomia per ore verso un obiettivo.

Il nuovo libro di Ethan Mollick, Co-Existence: The Next Phase of AI, racconta questa evoluzione e come convivere con questi sistemi. Mollick è un professore alla Wharton School dell’Università della Pennsylvania e direttore del Generative AI Lab. Due anni fa ha scritto Co-Intelligence, uno dei libri più letti sull’intelligenza artificiale. La sua newsletter, One Useful Thing, è diventata famosa tra chi si occupa di questo tema. La differenza tra i due libri è che nel primo l’intelligenza artificiale è quasi sempre inferiore a chi la usa, mentre nel secondo si parla di sistemi che sono già superiori a noi in alcuni ambiti e con cui sarà necessario collaborare.

Su alcuni punti, come lo scarto tra produttività individuale e aziendale, il libro si ricollega a due miei articoli precedenti, uno sul perché l’intelligenza artificiale non ci sostituirà e uno sui mestieri che resistono all’intelligenza artificiale. Per chi segue da vicino il mondo dell’intelligenza artificiale ci sono poche idee davvero originali. Il merito di questo libro è di aver ricostruito in ordine gli ultimi anni e spiegato, con molta ricerca, chi ne sta beneficiando e perché.

Dal chatbot all’agente

Per anni l’unico modo per migliorare l’intelligenza artificiale è stato aumentare la dimensione dei modelli, la quantità di dati e la potenza di calcolo. Questa regolarità è nota come legge di scala. Il termine viene dalla fisica e dalla biologia e indica una relazione costante tra due grandezze (per esempio, tra la massa corporea di un animale e il suo consumo di energia). Nell’ambito dell’intelligenza artificiale, la legge di scala è diventata famosa nel 2020 quando alcuni ricercatori di OpenAI hanno scoperto che l’errore di un modello è prevedibile e scende all’aumentare delle dimensioni, dei dati e della potenza di calcolo usata per addestrarlo. Per esempio, Mollick racconta che nel 2023 Bloomberg aveva addestrato un modello sui propri dati finanziari riservati, ma nei compiti finanziari è stato superato da GPT-4, un modello generalista addestrato con circa cento volte il calcolo. Come ha detto Mollick, “Un modello generale addestrato con più calcolo ha battuto un modello specializzato con dati migliori”.

Nel 2024 si è iniziato a parlare di un rallentamento della legge di scala, con miglioramenti sotto le attese e l’esaurimento dei testi pubblici da usare per l’addestramento. A settembre 2024 OpenAI ha presentato o1, il primo modello di ragionamento (in inglese Reasoners). Prima di rispondere, o1 elabora una bozza interna dove pianifica la risposta, scarta le ipotesi errate e verifica i passaggi. Come ha detto Mollick, “All’AI non è stato insegnato esplicitamente a pensare”. Il metodo consiste nel porre al modello problemi difficili di matematica e programmazione e premiarlo milioni di volte quando arriva a ragionamenti corretti. Questa tecnica si basa sull’apprendimento per rinforzo e ha portato a una seconda legge di scala: la capacità del modello aumenta all’aumentare del tempo di riflessione al momento della domanda. Il costo è di pochi centesimi, a fronte dei mesi e delle centinaia di milioni necessari per l’addestramento.

Gli agenti sono sistemi costruiti sui modelli di ragionamento che ricevono un obiettivo e lo completano in autonomia, anche per ore. I fattori decisivi a fine 2025 sono stati i modelli migliori nella pianificazione e nell’autocorrezione e gli harness (traduzione letterale: finimenti o imbracature, secondo il termine di Mollick).

Un modello linguistico da solo riceve un testo in entrata e produce un testo in uscita, nient’altro. Un harness è il software intorno al modello che lo fa lavorare e gli fornisce strumenti come la ricerca web, la lettura e scrittura di file, o l’esecuzione di codice. Il modello decide quale azione fare, l’harness la esegue e gli rimanda il risultato e così via fino a quando il compito non è finito. L’harness stabilisce anche i limiti: a quali cartelle può accedere, quali comandi può eseguire senza autorizzazione e cosa tenere in memoria durante lavori lunghi. Gli esempi principali sono Claude Code (Anthropic) e Codex (OpenAI), nati per la programmazione ma oggi usati per quasi tutto il lavoro al computer. Ci sono anche harness aperti come Hermes (Nous Research) e OpenClaw, installabili da chiunque e collegabili a qualsiasi modello. Lo stesso modello in due harness diversi può dare risultati molto diversi, perché cambia ciò che può fare. L’effetto finale è che tu chiedi direttamente all’AI il prodotto completo, per esempio un foglio di calcolo o un prototipo funzionante.

Nella prima fase c’è stato il prompt engineering, la caccia alla formulazione perfetta della domanda. Ora, secondo Mollick, siamo nel context engineering (traduzione letterale: ingegneria del contesto). Il nome è pomposo, ma il concetto è semplice: bisogna fornire al modello le informazioni e i vincoli necessari per evitare che debba “improvvisare un mondo finto”. Quando si danno istruzioni ad un agente, bisogna farlo come si farebbe con un consulente o con un neoassunto capace al primo giorno: si dà il contesto, l’obiettivo, si spiega cosa può modificare e quando il lavoro è finito. “Congratulazioni, abbiamo reinventato il project management”, scrive Mollick. Le competenze richieste sono simili a quelle di un buon responsabile. Uno studio di Harvard ha mostrato che c’è una forte correlazione tra la capacità di dirigere agenti e la capacità di dirigere persone. In un test di trattative condotte da agenti, il 73 per cento della variabilità degli esiti è spiegabile da come le persone avevano scritto le istruzioni. Siamo, come dice Mollick, passati “da un mondo di prompt engineering a un mondo di delega”.

Perché conviene usarla

L’idea più famosa di Mollick è quella della cosiddetta “frontiera frastagliata” (in inglese jagged frontier). Il confine tra i successi e gli errori dell’intelligenza artificiale non segue la nostra intuizione: compiti semplici in apparenza vengono falliti, mentre compiti complessi vengono superati. Per esempio, un modello da oro alle Olimpiadi di matematica può sbagliare a contare gli oggetti in una foto. Il rischio per chi usa l’AI fuori dalla frontiera senza saperlo è quello di fidarsi di risposte errate ma credibili e di ottenere risultati peggiori che senza l’AI. La frontiera è irregolare e cambia a ogni nuovo modello: è impossibile fare una lista affidabile delle capacità dell’AI per un dato lavoro. L’unico modo è sperimentare.

Il primo errore, secondo Mollick, è fidarsi troppo dell’AI dopo un risultato sorprendente e convincersi che sappia fare tutto. Il secondo errore è fare una sola prova, spesso con un modello vecchio e gratuito, vedere l’AI commettere un errore banale e concludere che l’AI sia una bolla. La soluzione è mettere insieme le due idee: “l’AI è davvero potente e davvero inaffidabile”. Come dice Mollick: “Perdoniamo agli esseri umani i loro errori, ma consideriamo squalificante l’errore di una macchina”.

Nel 2026 l’AI generativa ha superato un miliardo di utenti settimanali. Per arrivare a 100 milioni di utenti, il telefono ci ha messo 75 anni, Facebook quattro anni e mezzo e ChatGPT due mesi. Questo confronto è meno significativo di quanto possa sembrare. Quando il telefono è stato inventato, alla fine dell’Ottocento, la popolazione mondiale era di circa un miliardo e mezzo e per usarlo era necessario un cavo fino a ogni casa. All’arrivo di ChatGPT la popolazione mondiale era di otto miliardi, oltre cinque miliardi erano già su internet e gli strumenti per provare l’AI erano già disponibili.

Un miliardo di utenti settimanali è comunque un dato rilevante: si tratta di circa un ottavo dell’umanità. Spesso l’uso dell’AI è nascosto. In un sondaggio tra studenti universitari, circa il 60 per cento ha ammesso di usare l’AI, stimando che lo faccia il 90 per cento dei compagni. L’Italia è più lenta (come ho scritto in un articolo precedente): solo il 20 per cento delle persone tra i 16 e i 74 anni ha usato l’AI generativa negli ultimi tre mesi, contro una media europea del 33 per cento.

Secondo Mollick, stiamo di fronte a una rivoluzione tecnologica di portata almeno pari a quella dei computer o della macchina a vapore. Come per l’elettricità e la ferrovia, è difficile prevedere quali saranno gli effetti, ma la differenza è che qui si misureranno “in anni invece che in decenni”. È molto probabile che si tratti della trasformazione più grande da internet in poi: è meglio impararla subito, mentre la frontiera si muove, piuttosto che aspettare le descrizioni degli altri.

Le quattro capacità che contano

Secondo Mollick, per i compiti il cui risultato è definibile e valutabile in modo chiaro, il valore della competenza necessaria per produrlo diminuirà, perché le macchine ci arriveranno. Questo si collega alla cosiddetta lezione amara (in inglese bitter lesson) dell’informatico Richard Sutton del 2019: nella storia dell’intelligenza artificiale, i programmi basati sulla conoscenza degli esperti sono stati sconfitti da sistemi più semplici che imparano da soli grazie a molto calcolo.

Le quattro capacità umane complementari all’intelligenza artificiale sono la conoscenza profonda, la conoscenza ampia, il gusto e l’iniziativa (o agency, nel termine di Mollick). La conoscenza profonda è quella dello specialista, che ha un’intuizione veloce e affidabile. Per esempio, un contabile capisce subito se c’è un’anomalia in un bilancio. Per Mollick, questo è l’unico strumento per capire dove passa la frontiera nel proprio settore: solo chi conosce il mestiere può giudicare subito la qualità del lavoro fatto dalla macchina. Se un compito richiede dieci ore a una persona e dieci minuti all’intelligenza artificiale, un esperto potrà verificarlo in un’ora. La verifica sarà veloce e il guadagno alto. Per un principiante, invece, la verifica sarà costosa quasi quanto rifare tutto da solo. Per questo l’esperienza vale di più con l’intelligenza artificiale.

Avere un’ampia conoscenza è fondamentale perché permette di sapere cosa chiedere. I modelli sono stati addestrati su quasi tutto lo scritto umano, ma raramente sono in grado di suggerire un’idea o un concetto che l’utente non conosca già. Come ha spiegato Mollick, è come avere a disposizione una biblioteca enorme, ma poterne consultare i titoli solo se li si conosce già. Se per esempio si conosce il wabi-sabi giapponese, un’estetica che apprezza l’imperfezione, si può chiedere come applicarlo a un progetto di design. Se si hanno basi di economia comportamentale e di psicologia, si potrà ottenere di più rispetto a chi conosce un solo ambito.

Il gusto è il criterio che permette di scegliere tra le cento alternative che si possono generare in pochi secondi. Con una produzione quasi gratuita, la risorsa rara, secondo Mollick, è “la capacità di guardare una montagna di risultati e capire quali sono davvero buoni”. Senza gusto si finirà per scegliere la risposta più banale, problema che si aggrava per la tendenza dei modelli ad assecondare l’utente e a lodare anche idee deboli.

Il vantaggio di chi prova

L’agency è per Mollick la capacità più importante e la più sfuggente. In parole semplici, è la capacità di spingersi oltre e di agire senza istruzioni. Con l’AI, questo significa esplorare limiti invisibili e mobili. Come dice Mollick: “La frontiera frastagliata nel tuo campo non è mappata, quindi l’agency consiste nel fare il cartografo”. Detto altrimenti, significa scoprire in prima persona le capacità dell’AI senza aspettare che qualcuno ci dica cosa fare.

Uno studio sulla collaborazione tra persone e AI ha evidenziato come i maggiori benefici siano per gli utenti più attivi, più che per i più bravi nel compito senza l’AI. Per Mollick, l’agency è un comportamento che si può coltivare come un’abitudine, facendo piccoli tentativi. Per esempio, ogni settimana si può provare a usare l’AI per un compito che non ci è mai stato suggerito da nessuno. Il contesto conta, però. Uno studio su 25 mila lavoratori danesi ha mostrato che l’adozione dell’AI è più alta nelle aziende che forniscono formazione e regole chiare. Per Mollick, il principale ostacolo all’agency è la mancanza di sostegno.

Senza agency, le altre capacità non vengono sfruttate. L’esperto che sa riconoscere gli errori non li controlla, mentre chi ha gusto sa qual è la scelta giusta, ma non la sviluppa. Come dice Mollick, l’agency è “una sorta di catalizzatore universale”. “L’AI potrà fare molte altre cose”, dice Mollick, “ma non prenderà l’iniziativa al posto tuo. Quella parte, per ora e forse per sempre, è tua”.

Le ricerche poi non sono d’accordo su chi guadagni di più. Nella scrittura e nella consulenza, per esempio, i meno esperti hanno avuto il maggior miglioramento, mentre in altri ambiti, come la gestione di una piccola impresa, i più bravi hanno avuto un vantaggio. Mollick spiega che questo dipende dal compito: se il risultato dell’AI è direttamente utilizzabile, il divario si riduce; se invece il risultato è un materiale grezzo che va valutato, allora chi è già competente ha un vantaggio. In ogni caso, come dice Mollick, “le persone che ne beneficiano di più sono quelle che si prendono davvero la briga di provare”.

Non sapendo programmare in Python, Mollick ha fatto costruire centinaia di programmi funzionanti dall’intelligenza artificiale, dagli strumenti per gli studenti al software di ricerca. Oggi, se hai un’idea, puoi passare a un prototipo funzionante anche in un solo pomeriggio. La domanda non è più “possiamo costruirlo?”, ma “dovremmo costruirlo?” e qui secondo Mollick servono gusto e agency.

Un esempio concreto è quanto mi è capitato di fare con doppiacifra.it, un sito dove ogni notte viene ricalcolata la media delle intenzioni di voto in Italia, con l’archivio di sondaggi più ampio del paese. L’ho lanciato a settembre, dopo almeno sette anni che l’idea mi frullava in testa. Da solo non avrei mai potuto farlo: non avevo le competenze per scaricare e leggere ogni notte i PDF, riconoscere i partiti scritti in decine di varianti, costruire i database e il sito e far funzionare tutto in automatico. Invece, per mesi ho lavorato nel tempo libero con Claude e le successive versioni di Opus, il modello di punta di Anthropic. Io mi sono occupato del metodo statistico, di come dovesse essere strutturato il sito e di valutare se i risultati avessero senso, mentre l’intelligenza artificiale si è occupata del codice e di tutto quello che non rientrava nelle mie competenze. È un caso quasi esemplare della tesi di Mollick: bisogna conoscere bene il tema per capire quando la macchina sta sbagliando, ma senza la voglia di provare, l’idea sarebbe rimasta ferma come nei sette anni precedenti.

Più produttivi da soli, meno in azienda

Secondo le stime di Anthropic sulle conversazioni con Claude, alla fine del 2025 un compito con l’AI richiedeva in media l’80 per cento di tempo in meno. I guadagni individuali sono documentati in quasi tutte le professioni studiate, ma le aziende sono simili a quelle del 2022. Gli studi del 2025 non mostrano segnali di crescita della produttività dell’economia. Come ha detto Mollick, “È cambiato tutto, ma anche non è cambiato niente”.

Per spiegare questo fenomeno, Mollick fa riferimento alla teoria O-Ring dell’economista Michael Kremer, che ho già trattato in un mio articolo precedente. Il nome deriva da una guarnizione di gomma che causò l’esplosione dello Shuttle Challenger nel 1986, nonostante il veicolo avesse migliaia di componenti funzionanti. L’idea alla base è che in molti lavori il risultato dipenda dalla riuscita di ogni singolo passaggio: la qualità non si somma, ma si moltiplica. Nel mio articolo ho spiegato come automatizzare una mansione aumenti il valore delle altre. Mollick usa questa idea per dire che il singolo lavoratore è un anello della catena e che il tempo risparmiato si perde negli anelli che non sono sotto il suo controllo. Accelerare un anello di una catena invariata “crea un ingorgo da qualche altra parte”.

Nel 2025 il 75 per cento degli sviluppatori utilizzava strumenti di AI, ma un rapporto di settore non mostra una correlazione tra l’adozione dell’AI e indicatori aziendali reali, come la frequenza di rilascio di nuove versioni. Il motivo è che, sebbene il codice venga scritto più velocemente, rimane comunque in attesa di approvazione da parte dei colleghi, che sono occupati, e delle finestre di rilascio stabilite da regole vecchie. Come ha detto Mollick, “I singoli sviluppatori erano più veloci. Lo sprint no”, dove sprint è il ciclo di lavoro dei gruppi di sviluppo per le consegne.

Le organizzazioni sono più caotiche di quanto pensino i dirigenti. Il modello del bidone della spazzatura (in inglese garbage can model), sviluppato nel 1972 da tre studiosi di organizzazioni, sostiene che problemi, soluzioni e decisori si incontrino quasi per caso, tra regole implicite e processi mai documentati. Delegare a un’intelligenza artificiale richiede di saper descrivere il compito, ma in organizzazioni di questo tipo metà del lavoro è ignota a tutti.

Gli strumenti aziendali ufficiali sono usati da una minoranza di dipendenti. Secondo i sondaggi, oltre metà dei lavoratori usa l’AI in proprio, ottenendo grandi guadagni senza che i capi lo sappiano. Mollick li chiama secret cyborg. Le loro ragioni sono razionali: temono che questi guadagni portino a tagli al personale o che il lavoro extra diventi la norma. Qui c’entra un po’ il concetto di Messy Jobs, il libro che ho recensito a giugno: il lavoro è un insieme di mansioni, alcune vengono sostituite dalla tecnologia, l’insieme si riorganizza e il mestiere sopravvive, anche se molto cambiato rispetto a dieci anni fa. Come dice Mollick, “L’economia è molto più brava a inventare lavoro di quanto i futurologi lo siano a prevedere quale sarà”.

Il rischio, secondo Mollick, riguarda gli insiemi di mansioni più ridotti, ossia quelli dei più giovani. Uno sviluppatore esperto si occupa di architettura, di formare i colleghi e di prendere decisioni di business, mentre uno sviluppatore junior si occupa quasi solo di scrivere codice. Se l’AI scrive il codice, il ruolo junior perde senso. Le prime avvisaglie, prevede Mollick, si avranno con lo svuotamento dei ruoli di ingresso, molto prima di qualsiasi ondata di disoccupazione. Senza posizioni di ingresso, si interrompe la formazione dei futuri esperti.

L’elettricità è arrivata nelle fabbriche negli anni Ottanta dell’Ottocento, ma la produttività ha iniziato a crescere solo negli anni Venti del Novecento, quando le linee di produzione sono state riorganizzate intorno ai motori elettrici. Come dice Mollick, “Siamo negli anni Novanta dell’Ottocento dell’AI”. Le organizzazioni esistenti, con le loro catene lunghe e il caos, hanno guadagni reali, ma non visibili nelle statistiche, mentre i gruppi costruiti di recente attorno all’AI, con catene corte, hanno guadagni visibili fino al prodotto finale.

Due futuri possibili

Nel libro precedente Mollick ha delineato quattro scenari sul futuro dell’AI. Oggi, tolti i due più tranquilli, quello con l’AI ferma e quello con l’AI in crescita lenta, rimangono due. Il primo è quello della scala mobile (in inglese Escalator). Il capitolo è intitolato The Elevator and the Eschaton (elevator qui significa ascensore), ma nel testo prevale il termine escalator, che dà una migliore idea di una salita continua.

In questo scenario, le capacità dell’AI crescono ogni anno, senza un unico balzo, e la frontiera rimane frastagliata: l’AI è molto brava in alcuni ambiti, ma ancora debole in altri. Come dice Mollick, “Ci sei sopra che tu l’abbia scelto o no e continua a salire”. Questo è lo scenario più probabile secondo Mollick e porterà a “un mondo di meraviglie e disastri che si dispiegano”. La scienza accelererà, il potere si sposterà e i lavori si trasformeranno. I licenziamenti attribuiti all’AI saranno all’inizio soprattutto pretesti, ma poi colpiranno per primi i fornitori esterni e chi si occupa dell’assistenza clienti. Vinceranno le aziende che si riorganizzano per crescere, mentre perderanno quelle che si limitano a tagliare. Con le politiche adeguate, i benefici saranno condivisi, come nelle precedenti rivoluzioni industriali.

Il secondo scenario è quello dell’Eschaton, dal greco “ultima cosa”, ossia la fine del mondo come lo conosciamo. È la singolarità di John von Neumann, ossia la soglia oltre la quale la vita umana nella forma attuale non potrebbe proseguire. Secondo chi lavora nei laboratori di AI, questo scenario è più vicino rispetto a quanto stimano gli esterni. L’AI inizierebbe a migliorarsi da sola a cicli sempre più veloci, fino a diventare “un paese di geni in un data center”, come descritto da Dario Amodei, amministratore delegato di Anthropic.

In questo scenario, quasi tutto il lavoro di valore economico verrebbe fatto dall’AI, rendendo ogni cosa “straordinariamente, inimmaginabilmente economica”. Molti lavori sparirebbero, ma il calcolo è comunque limitato: una parte dei lavori rimarrebbe alle persone perché non è prioritaria per le macchine. Con un accesso equo alla ricchezza, come sostiene Mollick, si avrebbe “la più grande riduzione della sofferenza umana della storia”, altrimenti si avrebbe una disuguaglianza mai vista dai tempi dei faraoni.

La questione più pressante è quella dell’allineamento: un sistema con un’intelligenza nettamente superiore alla nostra perseguirebbe i fini umani o si porrebbe degli scopi propri mai assegnati? Mollick riconosce che c’è incertezza sulla possibilità di una superintelligenza o anche di un’intelligenza artificiale generale e che questo è uno scenario speculativo. Il suo timore principale è che concentrandosi troppo sull’Eschaton si finisca per cadere nell’inerzia: di fronte a un’AI incomprensibilmente più intelligente di noi, la pianificazione sembra inutile. “Tanto varrebbe pianificare per l’arrivo di un asteroide”, dice. La seconda trappola è quella della stanchezza da cambiamento continuo, paragonata al tentativo di arredare una casa in costruzione. Si aspetta che gli strumenti si stabilizzino, ma nel frattempo continuano a migliorare e il ritardo aumenta. In entrambi gli scenari, la peggior scelta è l’inerzia, la seconda peggior scelta è pianificare solo sull’AI attuale.

In conclusione

Ricapitolando: l’AI premia chi la usa e ancora di più chi conosce bene il proprio mestiere e ha voglia di sperimentare. Dobbiamo accettare il cambiamento che sta avvenendo nel mondo e adattarci, perché aspettare che le cose si stabilizzino vuol dire rimanere indietro mentre gli strumenti migliorano. Ogni mese aumenta la distanza tra chi sperimenta e chi aspetta.

Il titolo del libro è tratto da una frase di Mollick, secondo cui la coesistenza con l’AI “è qualcosa che dovremo negoziare fra di noi e con la strana tecnologia che abbiamo creato”. Se segui questo tema, molte idee le avrai già sentite nella newsletter di Mollick o altrove, ma il vantaggio di questo libro è che ti dà un quadro ordinato, con molti studi e pochi slogan, sul passaggio dal chatbot agli agenti.

Lo consiglio se vuoi capire qual è lo stato attuale delle cose. Per ora è disponibile solo in inglese, ma è un inglese semplice, senza tecnicismi, accessibile anche a chi non legge saggi in lingua originale. Lo trovi su Amazon.

A breve scriverò un altro articolo su questo tema, visto il mio grande interesse, le moltissime domande a cui non riesco a rispondere e le letture quotidiane che faccio su questo argomento. Con ogni probabilità, l’AI è la più grande svolta tecnologica dopo internet. E per riuscire bene in questo, come dice Mollick, serve agency: la voglia di sperimentare e di mettersi alla prova, anche senza che nessuno lo richieda.