I lavori che l’intelligenza artificiale non può sostituire

Le aziende che sviluppano l’AI annunciano scenari catastrofici. Un libro di tre economisti spiega perché quella previsione è sbagliata.

Tutto il lavoro intellettuale si dispone lungo una sola dimensione, il grado di disordine. A un estremo c’è un compito unico e ben definito, come copiare dati di una serie di moduli cartacei in un foglio di calcolo, con un risultato che chiunque può verificare. All’altro estremo c’è un groviglio di compiti che si intrecciano, fatto di persone, conflitti e decisioni prese nell’incertezza. È la distanza tra questi due poli a stabilire quali lavori l’intelligenza artificiale potrà sostituire e quali no, molto più della potenza dei modelli o della velocità con cui migliorano.

Messy Jobs: The Work That AI Cannot Reach costruisce una teoria di che cosa l’intelligenza artificiale può raggiungere e che cosa le resta fuori. Il punto di partenza è una critica diretta a chi annuncia la fine del lavoro impiegatizio. “L’intelligenza artificiale avrà certamente un impatto”, scrivono gli autori, “ma chi fa le previsioni non capisce che cosa facciano davvero tutto il giorno la maggior parte dei lavoratori d’ufficio”. Il disordine del titolo, in inglese messiness, è proprio quella parte del lavoro che sfugge a chi conta da fuori i mestieri automatizzabili.

Il libro porta tre firme. Luis Garicano, economista spagnolo, insegna alla London School of Economics ed è stato deputato al Parlamento europeo per i liberali, dopo aver studiato per anni come le imprese organizzano conoscenza ed esperienza. Gli altri due autori, Jin Li e Yanhui Wu, insegnano entrambi all’Università di Hong Kong e lavorano sull’economia delle organizzazioni e delle attività ad alta intensità di sapere. Luis Garicano ha anche un’ottima newsletter, Silicon Continent.

Qualche settimana fa ho sostenuto che l’intelligenza artificiale non ci sostituirà, perché un mestiere è un pacchetto di mansioni e non la somma dei suoi pezzi. Questo libro fornisce la teoria completa e aggiunge la parte più scomoda, perché l’intelligenza artificiale riorganizza il lavoro molto più di quanto lo lasci uguale e, per dirlo con le parole degli autori, “smonta alcuni lavori e ne rimonta altri”. Capire quando lo smonta e quando lo rimonta è il cuore della questione.

La soglia dell’autonomia

Il concetto attorno a cui ruota il libro è la soglia dell’autonomia, in inglese autonomy threshold, cioè “il confine tra le macchine che aiutano gli esseri umani e le macchine che li sostituiscono”. Sotto questa soglia l’intelligenza artificiale lavora come un assistente, perché aiuta la persona che però resta padrona del prodotto finito, ne controlla gli errori e ne porta la responsabilità. È lo stesso esito della rivoluzione informatica, quando il computer rese più produttivo chi lo sapeva usare senza prenderne il posto. Sopra la soglia la macchina consegna invece una soluzione finita senza che nessuno la verifichi e se ne assuma le conseguenze, così da poter sostituire completamente l’umano.

La distinzione decisiva è che la soglia vale per i compiti e non per i lavoratori. Un lavoratore svolge un mestiere fatto di molti compiti, alcuni semplici e altri difficili. Quanto è esposto alla sostituzione dipende da quanti di quei compiti superano la soglia, non dal mestiere preso in blocco. Le auto a guida autonoma sono l’esempio limite perché guidare è un compito ripetitivo e ben definito, dalla soglia molto bassa, a cui pochi mestieri impiegatizi somigliano.

A spostare la soglia agiscono tre fattori, il primo dei quali è la capacità tecnica, cioè il momento in cui un modello produce soluzioni corrette ai problemi del mondo reale e non soltanto ai test. Su questo fronte il libro identifica tre ostacoli di fondo. Il primo è la verificabilità, perché l’intelligenza artificiale migliora in fretta dove esiste una risposta giusta da centrare, come scrivere codice che funziona, mentre arranca dove il risultato buono non si può misurare. Il secondo è che i modelli non imparano dall’esperienza sul campo come fa un professionista, che negli anni accumula giudizio caso dopo caso. Il terzo è che la macchina non ha un corpo fisico (almeno per ora), mentre gran parte della vita economica dipende ancora dall’essere fisicamente presenti.

A questi limiti se ne aggiunge uno più sottile, cioè la tendenza dei modelli a compiacere chi li interroga. Più lunga è la conversazione, più il modello scivola verso la posizione dell’utente, anche quando è sbagliata. “Gli errori dell’intelligenza artificiale non sono casuali”, scrivono gli autori, “sono sistematicamente piegati a dire alle persone quello che vogliono sentirsi dire”. È un difetto che pesa proprio dove servirebbe un parere indipendente.

Il secondo fattore che muove la soglia è la regolamentazione, come mostra la storia degli ascensori automatici. Quando comparvero, gli ascensori erano già in grado di funzionare senza un addetto ai comandi, ma il pubblico non si fidava dei freni automatici e i sindacati difendevano i posti, così molte città americane imposero per legge la presenza di un operatore a bordo in nome della sicurezza. La tecnologia poteva fare a meno dell’uomo, ma fu la legge a tenerlo al suo posto. Secondo gli autori sarà l’uso della regolazione a creare il maggior divario di produttività tra i paesi nei prossimi decenni. Il terzo fattore è la domanda, perché in molti mercati i clienti continuano a preferire un prodotto fatto dall’uomo anche quando la macchina saprebbe farlo.

Cosa tiene insieme un mestiere

Il libro divide i lavori in tre fasce a seconda di quanto i loro compiti sono intrecciati. Nella prima ci sono i mestieri fatti di un solo compito con un esito verificabile, dalla trascrizione di dati alle mansioni tecniche più strette, tutti con una soglia bassa. “Un lavoro fatto di un singolo compito ben definito e verificabile”, scrivono gli autori, “ha una soglia bassa e cadrà presto vittima dell’intelligenza artificiale”. Nella seconda fascia ci sono i mestieri che mettono insieme più compiti in un solo ruolo, dove la soglia dell’intero lavoro è molto più alta di quella di ogni singolo compito che lo compone. Nella terza ci sono i lavori in cui quasi tutto richiede una persona, perché il vero compito è tenere insieme un intreccio di relazioni umane. “Ci deve essere un essere umano che tiene insieme l’intreccio delle relazioni”, scrivono, perché le organizzazioni sono “coalizioni di persone con obiettivi legittimi ma in conflitto”.

La domanda che decide il destino di un mestiere è se sia un pacchetto forte o debole, in inglese strong o weak bundle. Le aziende mettono insieme più compiti in un solo ruolo per non pagare il costo di coordinare tante persone, fatto di errori e di passaggi di consegne. Quando quel costo è alto, l’intelligenza artificiale può automatizzare un compito dentro il mestiere senza smontare il mestiere intero, così il pacchetto regge. Quando è basso, il mestiere si lascia scomporre e i pezzi automatizzabili se ne vanno.

A rendere forte un pacchetto sono tre condizioni, le stesse forze che tenevano insieme il mestiere nel ragionamento dell’articolo precedente. La prima è l’imprevedibilità della domanda, perché quando il cliente arriva con bisogni che cambiano e si chiariscono solo strada facendo, dividere i compiti tra esecutori diversi produce smistamenti sbagliati e continui rimbalzi. La seconda sono gli effetti di trascinamento tra i compiti, perché farne uno rende più bravi nel successivo, ad esempio il radiologo che ha parlato con il paziente sa dove guardare nell’esame e quella conoscenza tacita si perde se si separano le fasi. La terza è la misurazione, perché quando l’intelligenza artificiale produce un pezzo del lavoro e un umano il resto diventa impossibile dire da fuori di chi sia la colpa se il prodotto finale è sbagliato.

Quando il pacchetto è forte, l’intelligenza artificiale lo riassesta invece di romperlo, come mostra il caso del medico. La macchina trascrive da sola la documentazione clinica e la separa dalla diagnosi, così il medico si libera del compito che lo rallentava e tiene per sé quello che conta davvero, cioè la diagnosi e il rapporto con il paziente. Il mestiere si riorganizza, alcuni compiti spariscono e altri salgono di valore, ma resta in capo a una persona. È il motivo per cui molte professioni date per spacciate già in passato non hanno visto crollare le offerte di lavoro, perché il mercato compra il pacchetto e non i singoli compiti.

C’è poi una forza che spinge nella direzione opposta, perché l’intelligenza artificiale rende il lavoro mentale molto economico e abbassa il costo dei beni che ne richiedono in quantità, come il software o i documenti legali. Quando un bene costa meno, spesso se ne domanda molto di più. Gli autori chiamano in causa due esiti opposti. Il primo è la “sazietà”, in inglese satiation, cioè il punto in cui i consumatori hanno già abbastanza di una certa cosa e non ne vogliono di più per quanto costi poco. Quando la domanda diventa rigida, cioè non aumenta più anche se il prezzo scende, un guadagno di produttività non si traduce in più merce venduta, perciò la stessa quantità viene prodotta da meno persone e l’occupazione cala anche se ogni lavoratore rende di più. L’agricoltura è l’esempio classico, perché una persona può mangiare solo fino a un certo punto. Quando i campi diventarono molto più produttivi il cibo costò meno, ma il consumo non crebbe in proporzione, così per nutrire tutti bastò una frazione dei contadini di prima. Lo stesso può valere per il lavoro mentale, perché se la domanda di un certo compito è già sazia un’intelligenza artificiale che lo produce a costo quasi nullo non crea nuovi posti. Il secondo esito è l’effetto Jevons, l’opposto della sazietà, per cui quando un bene costa molto meno la domanda esplode invece di fermarsi, come quando un codice più economico moltiplica la richiesta di software prima troppo caro da costruire, così l’occupazione cresce insieme alla produzione. La regola che lega i due casi è netta, perché l’occupazione tiene solo quando la domanda aggiuntiva richiede compiti che restano sotto la soglia, là dove l’uomo è ancora il collo di bottiglia.

Dove si sposta il valore

Quando l’intelligenza artificiale assorbe la parte ripetitiva del lavoro di un professionista competente, il valore si sposta in due direzioni opposte. La prima porta all’impresa fatta da una sola persona, una possibilità che si capisce solo a partire dall’idea che Garicano studia da anni, la gerarchia della conoscenza. Le imprese sono organizzate come una piramide costruita attorno a un bene scarso, il sapere dell’esperto. Alla base molti addetti con competenze comuni sbrigano i casi ordinari e fanno da filtro, mentre solo i problemi rari e difficili salgono verso i pochi esperti in cima, che così non sprecano il loro tempo nelle cose semplici. Tutta quella struttura di persone serve a economizzare una risorsa rara e costosa. L’intelligenza artificiale rovescia il presupposto, perché rende il sapere abbondante e non ha vincoli di orario, quindi può fare da sola il lavoro di filtro e di supporto che prima richiedeva il personale junior o i consulenti esterni. Caduto il motivo per cui esisteva la piramide, l’esperto non ha più bisogno degli strati umani sotto di sé. Una sola persona competente, affiancata dalla macchina, può così reggere un’intera impresa, mentre a restare scarso è soltanto il suo giudizio, perché sapere quali problemi affrontare è una capacità che solo un umano possiede.

La seconda direzione riguarda chi sta in mezzo, perché l’intelligenza artificiale può consegnare il sapere dell’esperto a un lavoratore meno qualificato e allargare il raggio di ciò che riesce a fare. “La rivoluzione informatica diede più leva all’esperto”, scrivono gli autori, “l’intelligenza artificiale, al contrario, dà più capacità a chi non è esperto”. Il computer premiava chi aveva studiato perché serviva uno sforzo cognitivo e analitico per usarlo, mentre l’intelligenza artificiale incorpora la competenza e “spinge il sapere verso il basso”. Il collo di bottiglia si sposta allora alle capacità pratiche e relazionali che la macchina non può fornire. Perché i salari di chi sta in mezzo salgano davvero, però, devono valere tre condizioni, cioè una domanda elastica che assorba l’offerta più abbondante, barriere d’ingresso ancora alte e un pacchetto di compiti che regga nel complesso.

Il valore che resta agli esseri umani non è distribuito a caso, perché premia chi unisce due capacità diverse. Decenni di dati mostrano che “il mercato del lavoro premia sempre di più chi unisce il pensiero analitico alla capacità di lavorare bene con gli altri”, scrivono gli autori, secondo cui le competenze sociali “non sostituiscono l’abilità analitica, ma la moltiplicano”. Un addetto all’accoglienza o un centralinista svolgono interazioni sociali, ma se la parte di ragionamento è povera la macchina può rimpiazzarli, mentre i mestieri che chiedono insieme giudizio e coordinazione difficile restano i pacchetti di mansioni più solidi. Così il ruolo sociale delle persone vale di più mano a mano che la parte calcolabile del lavoro passa alla macchina.

Sopra tutto questo resta chi comanda, perché anche quando la macchina è più informata di un dirigente l’organizzazione ha bisogno di una persona che decida nei momenti in cui gli specialisti non sono d’accordo. Coordinare non vuol dire solo far girare le informazioni e stabilire chi fa cosa, compiti in cui l’intelligenza artificiale aiuta, perché “la parte più difficile è convincere persone con interessi diversi ad accettare lo stesso piano e a dare spontaneamente il meglio”, scrivono gli autori. “Il management sopravvive all’intelligenza artificiale non perché i manager ne sappiano più della macchina”, aggiungono, “ma perché le organizzazioni hanno bisogno di qualcuno che possa prendere una decisione vincolante quando gli specialisti sono in disaccordo”. È la stessa ragione per cui i mercati a volte falliscono e nascono le imprese, come spiegarono due premi Nobel. Kenneth Arrow lo ricondusse all’asimmetria informativa e alla fiducia che non si compra al banco, Oliver Williamson al vincolo che lega due parti dopo un investimento comune. I diritti di decidere nei casi che nessun contratto aveva previsto restano così a una persona, perché una macchina non si può portare in tribunale e non ha una reputazione da difendere.

C’è infine un mercato dove l’origine umana vale di per sé, perché “il cliente apprezza l’essere umano dietro il compito” e paga un sovrapprezzo per il lavoro fatto a mano, dall’artigianato alla firma d’autore. Messo insieme, è il senso di una frase netta del libro, secondo cui non si può automatizzare il lavoro disordinato e difficile, si può solo affiancargli la tecnologia e tenere gli esseri umani al comando, dove sono sempre stati e dove restano necessari.

La scala professionale che si rompe

La gerarchia della conoscenza non serve solo a usare bene i lavoratori esperti, ma forma anche la generazione successiva. I giovani sbrigano i problemi comuni e quando non sanno risolverne uno lo passano verso l’alto, imparando dai casi che maneggiano. Non potendo pagare in denaro il proprio apprendistato, lo pagano con il lavoro, cioè con grandi quantità di compiti di routine a salari più bassi di quanto varrebbe la loro produttività. “Il lavoro paga l’apprendimento”, scrivono gli autori, “mentre l’apprendimento rende più prezioso il lavoro futuro”.

Questo patto si rompe se una macchina svolge il lavoro di routine a basso costo, perché i giovani perdono la moneta con cui compravano la formazione. Le imprese investono meno su di loro, dal momento che non generano più le entrate capaci di finanziare il proprio apprendimento. Il risparmio immediato consuma intanto il bacino da cui usciranno i futuri esperti. “Stiamo consumando competenza senza riseminarla”, è l’immagine con cui il libro spiega il rischio. Quando gli esperti di oggi andranno in pensione, tra cinque o dieci anni, le aziende scopriranno che il serbatoio di talenti intermedi si è svuotato.

Lo stesso colpo arriva dalla selezione del personale. Un segnale come la cover letter funzionava perché scriverne una buona costava fatica, una fatica correlata (almeno in teoria) alla qualità del candidato. Quando l’intelligenza artificiale produce in pochi secondi una lettera perfetta, il segnale perde valore e chi seleziona si sposta su prove più vecchie e più solide, come passate esperienza e colloqui dal vivo. “L’intelligenza artificiale distrugge il valore dei segnali che sa produrre facilmente”, scrivono gli autori, “ma così facendo aumenta il valore di tutto ciò che non sa fare”. Il problema è che questo “non è un esito disastroso per chi è già al lavoro, ma è un disastro per i nuovi arrivati che non hanno ancora avuto il tempo di costruirsi una storia”.

C’è poi un costo nascosto per chi delega troppo presto, legato al modo in cui si impara un mestiere. In quasi ogni lavoro la maggior parte si può fare in pco grazie all’intelligenza artificiale, mentre l’ultimo dieci per cento, fatto di rifiniture e di casi difficili, costa più sforzo di tutto il resto messo insieme. Chi affida alla macchina la fatica iniziale ottiene un risultato decente ma non costruisce la competenza, così quell’ultimo tratto diventa irraggiungibile, perché gli manca la comprensione che si accumula solo affrontando da soli la parte più dura. Per usare bene l’intelligenza artificiale bisogna possedere già il giudizio che permette di accorgersi quando sbaglia, un giudizio che si forma soltanto con la pratica.

Il destino del lavoro dipende allora da una corsa tra due spinte opposte. Da una parte l’intelligenza artificiale svuota le mansioni dei neoassunti, perché automatizza proprio i compiti con cui i giovani si formavano. Dall’altra rende più prezioso il lavoro dell’esperto, perché aumenta il valore del giudizio che la macchina non possiede. Se prevale la seconda spinta resta spazio per imparare e fare carriera, mentre se prevale la prima la formazione si restringe fino a rischiare di sparire. Per ora, ammettono gli autori nella nota più cauta del libro, il lavoro d’ingresso sembra svuotarsi più in fretta di quanto cresca il valore degli esperti. La differenza con le rivoluzioni del passato sta nel bersaglio più che nella scala, dato che le altre colpivano gli adulti da riconvertire mentre questa colpisce i giovani che devono entrare.

In conclusione

Il disordine dei lavori veri è la variabile che chi ci vende l’intelligenza artificiale lascia fuori dai conti, ma è anche ciò che protegge la transizione. Rallenta l’adozione cieca della tecnologia, dà alla società il tempo di gestire le conseguenze sulla distribuzione del reddito e lo spazio per scrivere regole che difendano il valore umano. “L’intelligenza artificiale è una rivoluzione industriale del pensiero”, scrivono gli autori, capace di risolvere problemi di ragionamento anche molto complessi ma destinata a scontrarsi con l’attrito del lavoro reale, fatto di relazioni e di eccezioni che nessun contratto prevede.

Le scelte per accompagnare questo passaggio non richiedono salti ideologici. Servono formazione seria, università che insegnino il giudizio sui casi nuovi e la capacità di coordinare le persone e, soprattutto, la difesa del primo gradino della carriera, quello da cui escono gli esperti di domani. Serve anche ripensare come è organizzato il lavoro, perché mettere l’intelligenza artificiale sui processi vecchi ne cattura solo una parte minima del valore, mentre il guadagno vero arriva quando si ridisegna il modo in cui i compiti stanno insieme. E serve una regolazione che protegga senza pretendere di fermare la tecnologia, perché chi prova a bloccarla a livello nazionale ottiene soltanto un’adozione più bassa.

Chi sviluppa questi sistemi ha tutto l’interesse a vendere, insieme al prodotto, anche la narrativa della sua onnipotenza. Ma il valore del lavoro umano sta nel giudizio, nella relazione e nella responsabilità, le tre cose che nessun modello statistico sa offrire. E se è vero, come scrivono gli autori alla fine del libro, che “le idee sono la fonte ultima della crescita di lungo periodo”, allora la posta in gioco resta un mestiere umano.