Quando chiedi al sistema AI con cui stai lavorando una decisione importante, e quel sistema sa chi sei e che cosa vuoi, la risposta che ricevi ha una qualità superiore. Quello che ottieni è consulenza: un servizio che fino a ieri si pagava e oggi è quasi gratuito.

Nell’era dei contenuti eravamo noi a dover adattare ciò che consumavamo al nostro contesto. Articoli, libri, tutorial, video erano prodotti per un pubblico astratto, e il lavoro di traduzione lo faceva ognuno per sé. Quel lavoro, che a molti costava più dell’informazione stessa, era ciò che rende la consulenza personalizzata un bene di lusso. Oggi, nell’era dell’intelligenza, il lavoro lo fa il sistema, in tempo reale, e lo fa tanto meglio quanto più conosce di te. Il valore migra dalle istruzioni alla loro personalizzazione.

Il prezzo del contesto

Questo nuovo valore esiste a una sola condizione: il sistema deve conoscerti, e tu devi essere disposto a cedergli quello che gli serve per conoscerti. Cedere contesto significa cedere le informazioni più importanti su di te, la materia interna della tua vita. È il materiale che il sistema usa per personalizzare, e che diventa il suo asset.

Il prezzo monetario di questa nuova consulenza tende a zero. Il prezzo in contesto è alto, e quasi mai viene dichiarato esplicitamente. Il modello di scambio è inedito: paghi un servizio con informazione su di te, in continuo, e il fornitore accumula quel pagamento come asset proprio, che cresce di valore a ogni interazione. È un rapporto cliente-fornitore che non aveva equivalenti nella società industriale, dove il pagamento si esauriva nella transazione e l’asimmetria informativa restava limitata.

La fiducia è il moltiplicatore

Il valore reale che il sistema può portarti dipende dalla quantità di contesto che gli affidi. La quantità di contesto che gli affidi dipende dalla fiducia che hai nel modo in cui quel contesto sarà trattato. La fiducia funziona da moltiplicatore: senza fiducia il modello resta superficiale, con fiducia raggiunge la sua piena capacità di servizio.

Questo è il rovesciamento che la maggior parte del dibattito sull’AI ancora non vede. La fiducia smette di essere argine difensivo contro l’estrazione abusiva: diventa la condizione che abilita il valore. Un sistema di cui non ti fidi vale poco, perché non riceve il contesto che lo farebbe valere molto. Un sistema di cui ti fidi accede al contesto profondo, e in cambio ti restituisce un servizio che storicamente era riservato a chi poteva permettersi rapporti personalizzati a costo elevato.

Chi costruisce sistemi di cui ci si può fidare abilita un livello di servizio che gli altri non possono offrire. Chi non li costruisce fa estrazione, e sul medio termine crea le condizioni per il proprio fallimento di mercato. La fiducia è asset che si costruisce in anni di pratica coerente e si distrugge in giorni di mala gestione. Quando l’asimmetria del rapporto diventa visibile, la fiducia si ritira, e con essa il valore che il modello poteva generare.

La risorsa scarsa

L’intelligenza, in senso operativo, sta diventando una commodity. Costa poco, è ovunque, ogni mese di più. Quello su cui l’intelligenza opera, in qualsiasi applicazione di valore, è il contesto specifico di chi la usa, e la qualità del servizio che produce cresce in proporzione alla profondità del contesto disponibile. Per questo il contesto, ricevuto in cambio di servizio, è diventato la materia prima del mercato.

In questa configurazione la fiducia diventa la risorsa scarsa. Scarsa perché difficile da costruire e facile da distruggere. Scarsa perché il mercato la pagherà a multipli crescenti quanto più cresce il valore che il modello può generare a partire dal contesto che riceve. Più diventiamo dipendenti dalla qualità del servizio personalizzato che l’AI può darci, più la fiducia in chi gestisce il sistema diventa l’asset strategico che decide chi accede al contesto profondo.

Le aziende che oggi stanno costruendo interfacce con la proprietà di catturare contesto stanno definendo le condizioni di accesso al mercato dei prossimi dieci anni. La pubblicità non può replicare quello che la fiducia tecnicamente garantita rende possibile, perché la fiducia di cui parliamo non è una promessa, ma un’infrastruttura tecnologica verificabile.

La domanda che orienterà molte decisioni private e professionali nei prossimi anni riguarda a chi cedere il proprio contesto, con quali garanzie verificabili, e con quale possibilità di smettere quando si vuole. Cedere contesto è ormai parte del modello, e rinunciarci significa rinunciare al valore che il sistema può portare. L’intelligenza è gratis; la fiducia costa sempre di più.

“Dobbiamo fare in modo che i clienti costruiscano davvero insieme a noi, e che ci vedano come un insieme di capability da utilizzare per realizzare i loro desideri in modo rapido, semplice, di valore.”

In una frase, Jack Dorsey ha ridefinito tre cose insieme: cos’è un prodotto, cos’è un’organizzazione, e che ruolo hanno i clienti/utenti.

Per duemila anni un prodotto è stato un oggetto finito: una sedia, una macchina, un servizio bancario, un’app. L’organizzazione lo progetta, lo costruisce, lo consegna e il cliente lo usa. Tra le due parti corre una linea che ha definito l’economia industriale, dal Settecento a oggi.

Il prodotto contemporaneo cambia natura: diventa la composizione momentanea di capability che un’organizzazione presenta a un utente specifico, in risposta a un desiderio specifico, in un momento specifico. Lo stesso prodotto, di fronte a un desiderio diverso, presenta una composizione diversa delle stesse capability. Non si tratta di personalizzazione: il prodotto esiste come potenziale dentro l’organizzazione e prende forma quando viene richiesto. Prima della richiesta, non c’è.

L’organizzazione è l’insieme delle sue capability

Se il prodotto è una composizione di capability, lo è anche l’organizzazione che gli sta dietro. Le persone che lavorano nell’organizzazione smettono di essere assegnate a un prodotto e diventano custodi di capability. Il loro lavoro non è eseguire un piano top-down, ma tenere viva una capability che sarà richiesta dagli utenti/clienti, in risposta a desideri che possono non essere ancora articolati dall’organizzazione.

L’organizzazione che si pensa così non pianifica più la propria roadmap come atto di volontà del management: la scopre, capability dopo capability, attraverso le richieste che arrivano dall’esterno. La sua visione si verifica e si arricchisce nel momento in cui incontra i desideri dei suoi utenti/clienti.

L’utente è dentro la rete produttiva

Quando un utente apre un’interfaccia conversazionale e descrive in linguaggio naturale quello che vuole, fa due cose:

1. chiama una composizione di capability esistenti, e la usa

2. se il suo desiderio non trova nessuna composizione disponibile, indica all’organizzazione le capability che potrebbe sviluppare

Questa seconda attività cambia la natura del rapporto tra organizzazione e utente. Ogni desiderio non soddisfatto articolato in interfaccia è una richiesta di una nuova capability all’organizzazione. È l’utente a dire cosa serve, a definire la roadmap: non con sondaggi, form o recensioni, ma con delle conversazioni che avvengono nel momento esatto in cui il desiderio prende forma.

L’utente che svolge questa funzione smette di essere un cliente. Diventa un nodo della rete produttiva dell’organizzazione, alla pari di chi lavora nel team interno. La distinzione tra dentro e fuori, tra chi produce e chi consuma, si dissolve. E questo è possibile per un fatto tecnico: l’AI e la sua interfaccia conversazionale sono il punto dove consegna e ricezione di informazioni avvengono nello stesso istante, sullo stesso layer, attraverso lo stesso canale.

La distribuzione del valore

Il valore generato dagli utenti contributori non torna indietro automaticamente. Senza un meccanismo esplicito, resta dove arriva per primo, cioè all’organizzazione.

Le forme di redistribuzione del valore che conosciamo hanno già mostrato i loro limiti. La platform economy ha catturato privatamente il valore generato da miliardi di utenti, redistribuendone una frazione a una élite. La creator economy ha aperto canali monetari a chi produce contenuti, ma sempre dentro logiche di intermediazione e algoritmo che decidono chi vede cosa. L’open source ha costruito infrastrutture critiche del software contemporaneo affidandosi alla contribuzione volontaria, con problemi noti di manutenzione. La blockchain ha tentato di codificare nei protocolli stessi la proprietà distribuita: in alcuni casi ha funzionato, in molti altri ha generato speculazione.

La mia posizione è che la redistribuzione non deve essere necessariamente monetaria. Probabilmente nei prossimi anni il denaro sarà solo una delle forme con cui circola valore tra organizzazioni e contributori. Riconoscimento esplicito, accesso privilegiato, partecipazione, proprietà parziale via quote o token, restituzione in servizi: sono forme legittime, e nessuna è ovvia per un’organizzazione costruita nel modello industriale del Novecento.

Ma il meccanismo di redistribuzione deve esserci, e deve essere esplicito. Senza un meccanismo dichiarato e verificabile, l’organizzazione resta estrattiva, anche se il suo linguaggio si veste di cooperativismo, di valore condiviso, di purpose. La verifica passa da tre domande, e queste tre domande sono il lascito operativo di questo pezzo:

1. Chi decide cosa fare con il valore generato dalla rete? (Governance)

2. Chi vede i flussi di valore in entrata e in uscita? (Trasparenza)

3. Chi possiede gli asset costruiti collettivamente, dai dataset ai modelli ai marchi? (Proprietà)

Se le risposte a queste tre domande non includono i contributori, l’organizzazione è estrattiva, indipendentemente da come si descrive.

Le organizzazioni che capiranno questa cosa per prime tratteranno il loro modello di redistribuzione come un asset strategico. Per le altre, arriverà il momento in cui i contributori smetteranno di contribuire, oppure inizieranno a chiedere il conto.

Una buona parte del valore che muove il mondo non viene catturato dal PIL, ma non per questo non è valore.

Wikipedia è scritta da contributori volontari e il suo sapere resta a disposizione di tutti. La conoscenza scientifica avanza grazie alle peer review di ricercatori non pagati e diventa patrimonio comune. Il software open source è l’infrastruttura su cui poggia gran parte dell’economia digitale, e nessuno lo possiede.

Cucinare, lavare, tenere insieme una famiglia, crescere un figlio. Stare accanto a un genitore che nemmeno sa più chi sei. Le donne hanno tenuto in piedi il Novecento facendo queste cose senza essere pagate, e una parte enorme del lavoro di cura continua a funzionare nello stesso modo. Senza questo lavoro invisibile non ci sarebbe niente di quello che chiamiamo società.

Il volontario alla mensa la domenica mattina, la vicina che porta la spesa al pensionato del piano di sotto, l’amica al telefono alle tre di notte, il fratello maggiore che fa i compiti al piccolo. In italiano li chiamiamo gesti di gentilezza, ma sono veri lavori su cui si reggono le nostre comunità.

Tutto questo valore che il PIL non vede torna sempre alla rete che lo ha prodotto. Resta nelle famiglie, nei quartieri, nei saperi condivisi, nelle infrastrutture comuni.

Ma esiste anche un altro valore che il PIL non vede, quello che non torna ai lavoratori che lo producono.

Il moderatore che anima una community per anni, e poi la scopre venduta a OpenAI. L’illustratrice i cui quadri hanno addestrato un modello che oggi compete con lei. Lo sceneggiatore che trova le sue battute in un dataset, senza averlo permesso. L’utente che corregge un chatbot mille volte, per renderlo mille volte più rapido e capace di lui. Il paziente che alimenta un modello sanitario di un’azienda privata. Sono tutti lavoratori: producono valore, ma qualcun altro lo cattura.

Per un secolo e mezzo abbiamo chiamato lavoro quello dentro un contratto. Quel tipo di lavoro esiste ancora e mai come oggi ha bisogno di essere difeso. Ma il valore prodotto fuori dal contratto è enorme e continua ad aumentare. Dove andrà a finire?

La mia risposta possibile è una sola: redistribuzione. Redistribuire vuol dire riconoscere che il valore prodotto da una rete deve tornare, in qualche forma, alla rete che lo ha prodotto. Per i commons e le reti di solidarietà o di cura la redistribuzione avviene in modo naturale, ed è bellissimo. Per le interfacce, i dataset, le community e le piattaforme, invece, la redistribuzione deve diventare il modello economico esplicito. Non è una concessione che le organizzazioni ci faranno per generosità. È una richiesta che cominceremo a fare, e poi a pretendere. Sta già accadendo con gli sceneggiatori, con gli artisti, con gli autori. Accadrà ovunque qualcuno contribuisce a qualcosa che qualcun altro tiene per sé.

Basta comportarci da utenti o consumatori. Pensiamoci co-produttori, co-creatori, collaboratori. E iniziamo a chiedere il conto.

Il lunedì c’è una riunione delle tribe. Due volte all’anno c’è un offsite in un agriturismo. Sul muro dell’ingresso ci sono i valori, ben impaginati, con il font corretto. In Slack esiste un canale #random dove i manager postano la foto del cane.

Le chiamano community, ma sono solo aziende le cui “culture” sono diventate trucchi con cui prendersi una parte di identità che dovrebbe restare tua.

C’è vita oltre all’azienda

Pensa a come scegli di stare nelle community fuori dal lavoro. La tua famiglia, il gruppo degli amici, la squadra di calcetto, il club del libro, il volontariato, il quartiere dove abiti. Non hai mai firmato un contratto con nessuno di questi gruppi. Partecipi con intensità diverse, in momenti diversi della tua vita. Puoi essere il centro del gruppo dei tuoi amici per tre anni e poi diventare quello che vede gli altri ogni due mesi, senza che questo distrugga il vostro legame. Nessuno ti chiede di scegliere tra la famiglia e la squadra di calcetto. Sono mondi paralleli, e ognuno contribuisce a farti diventare la persona che sei.

La mia ipotesi è che il lavoro debba diventare così. Che un individuo possa partecipare a più organizzazioni con gradi di adesione differenti, esattamente come fa fuori dal lavoro, e che questo lo renda una persona più ricca e un professionista più utile. Per se stesso, e per le organizzazioni a cui contribuisce.

L’identità come ricerca

Le aziende non sono community per due motivi. Il primo è che non hanno un’identità; il secondo è che trattano l’adesione come un interruttore, on o off, dentro o fuori.

Quando un’azienda scrive i suoi valori o pubblica il manifesto della sua cultura non sta definendo un’identità. L’identità di una community non è una lista di parole o aggettivi. È l’ampiezza del problema che sta cercando di risolvere, la portata del percorso di esplorazione che ha deciso di intraprendere, la lunghezza dell’infinite game che vuole giocare.

Più il problema è grande, più il percorso è lungo, più la ricerca è onesta, più la community attira persone che vogliono portare un pezzo a quella ricerca. Wikipedia vuole rendere accessibile la conoscenza umana, Linux vuole costruire un sistema operativo aperto e di qualità: sono ricerche talmente grandi da non essere completabili da una singola entità, e talmente chiare da permettere a chiunque di capire come contribuire.

Una ricerca vera si riconosce da tre cose:

1. Si vede nel bilancio, perché l’organizzazione deve investirci soldi e non solo parole

2. Si vede nelle connessioni che costruisce e nella profondità culturale di quello che produce

3. Si vede dal suo percorso evolutivo continuo

Se una di queste tre cose manca, la ricerca è cosmetica. E la cultura aziendale è quasi sempre cosmetica: non nasce da un desiderio di esplorare e risolvere un problema, ma da una necessità pratica di mercato, che ha a che fare con pressioni specifiche: talent acquisition, talent retention e posizionamento verso il mercato e gli investitori.

Gradi di membership

Ti racconto come stiamo costruendo Cosmico-come-Community, perché è il modo più semplice di spiegare concretamente quello che intendo.

Immagina Cosmico come una serie di cerchi concentrici.

Nel cerchio più largo ci sono le persone che ci ascoltano: ci seguono sui social, leggono quello che scriviamo e pensano che Cosmico sia un esperimento sociale o una piccola media company sul lavoro. Il loro contributo è la loro attenzione.

Un passo più dentro ci sei tu, con gli iscritti alla newsletter Work After e alla piattaforma online, che avete scelto di ricevere quello che produciamo e rispondete, commentate, condividete e partecipate ai nostri eventi.

Ancora più dentro ci sono le persone che si sono dichiarate desiderose di collaborare con noi, e che ci hanno dato informazioni su di loro per essere coinvolte in progetti con i clienti.

Tra di loro esistono già ulteriori gradi. I mentor sono professionisti più avanti nel percorso che hanno scelto di dare gratuitamente una parte del loro tempo ad altri della community. I coordinatori locali stanno attivando community di Cosmico nelle loro città e organizzano gli eventi sul territorio.

Poi c’è il team esteso, con i collaboratori che partecipano ai progetti dei clienti. E il core team, con i fondatori e le persone che ogni giorno tengono insieme la struttura di Cosmico.

E ci sono anche gli advisor, gli investitori, i professionisti e i creator di Flatmates e di Creative Harbour. Anche i clienti fanno parte della community, perché scelgono di aderire con diversi gradi di coinvolgimento, dalla collaborazione alla partecipazione alle nostre iniziative di formazione ed eventi.

È una rappresentazione a cerchi. Al centro c’è chi definisce il percorso di ricerca e intorno, attratti magneticamente da questa ricerca, ci sono persone con gradi diversi di partecipazione, ognuno con ruoli, permessi e tipi di contributo riconoscibili.

Nessuno di questi cerchi funziona come un’assunzione tradizionale. Nessuno è obbligato a stare, l’accesso è libero, i permessi crescono con il contributo.

Gig economy? No grazie

Quindi stai travestendo la precarizzazione da liberazione? Stai dicendo alle aziende che non devono più assumere persone, e ai lavoratori che devono accettare di essere collaboratori part-time di dieci entità diverse?

No.

La gig economy frammenta e scarica il rischio sul lavoratore. Ti paga a prestazione, ti nega le tutele, ti chiede disponibilità totale in cambio di zero stabilità. La community con gradi di membership fa l’opposto: accoglie intensità di partecipazione diverse senza chiedere devozione, e riconosce che ogni grado ha un contributo e un valore.

Le organizzazioni del Novecento hanno costruito la loro identità sull’idea che il dipendente ideale fosse quello che si identificava al 100% con l’azienda. Quella pretesa oggi non regge più, e non per colpa dei lavoratori. Non regge perché le organizzazioni hanno bisogno di recettori di segnali che interpretino il mondo e restituiscano all’organizzazione informazioni che da sola non riesce a cogliere, e di cui avrà sempre più bisogno. Le persone con uno sguardo ampio sono più utili delle persone con uno sguardo devoto. E lo sguardo ampio si costruisce attraversando più entità, non sposandone in una sola.

L’azienda che pretende devozione si auto-limita, ripete se stessa, non si contamina. L’individuo che dà devozione a una sola entità si impoverisce, perde i contesti che lo aiuterebbero a vedere meglio anche l’entità principale a cui appartiene. Wikipedia, Linux, la scienza moderna funzionano perché chi contribuisce ha altri pezzi di vita, altre competenze, altri contesti. Se tutti i contributori di Wikipedia facessero solo Wikipedia, Wikipedia sarebbe molto peggiore di com’è.

Le nuove regole del lavoro

Per te

Attraversa più community
Non una sola azienda, non un solo ambiente, non un solo gruppo di colleghi. Ogni appartenenza ti dà uno sguardo in più, e lo sguardo in più è quello che ti rende utile.

Scegli l’intensità con cui partecipi
Non tutte le community richiedono lo stesso livello di coinvolgimento, e la tua energia non è infinita. Identifica dove vuoi stare al centro e dove in periferia.

Verifica l’identità, prima di aderire
Quando stai per unirti a un’organizzazione chiediti qual è il problema che vuole risolvere, quanto è onesta la sua ricerca e quanto è capace di evolvere costantemente. Guarda dove investe i soldi, che cosa pensa, con chi dialoga. Se la cultura sta solo impaginata bene sul sito, passa oltre.

Per le organizzazioni

Definite la vostra ricerca
Non i valori, non la mission, non il tone of voice. La ricerca: qual è il problema grande che state cercando di capire e affrontare, quanto è lungo il cammino, quanto sarete onesti nel mostrare dove siete arrivati e dove state incontrando difficoltà. Questa è l’unica identità che attrae un contributo profondo e utile.

Date un nome ai gradi di membership
Smettete di trattare il mondo in due categorie, dipendenti e non-dipendenti, dentro o fuori dall’azienda. Mappate i gradi reali di contributo già presenti nella vostra organizzazione: follower, utenti, clienti, partner, advisor, alumni, collaboratori occasionali, team interno. Date un nome a ogni grado, riconoscete i diritti e i modi di contribuire che corrispondono a ciascuno.

Investite nella ricerca
Se la vostra identità è la ricerca, deve esserci una voce di spesa che la sostiene: tempo delle persone, partnership, pubblicazioni, eventi, sperimentazioni. Se non c’è, la ricerca non è vera.

Rinunciate alla devozione
Accettate che le persone del vostro team facciano anche altro, contribuiscano ad altre community, abbiano una vita professionale che non inizia e finisce dentro di voi. Pretendere monopolio sull’identità professionale delle persone è il modo più rapido per perdere quelle che vi servono davvero.

Fate entrare clienti e utenti nella community
Non come target di marketing, come partecipanti. Organizzate momenti di incontro, formazione, confronto. Rendete il loro contributo visibile. Chi compra e usa i vostri prodotti è già parte della vostra organizzazione, anche se non l’avete ancora riconosciuto.

“Smetteremo di fare”, “Diventeremo orchestratori.” L’ho detto anch’io, più di una volta, nei talk e negli articoli dell’ultimo anno. Le macchine faranno la parte operativa e a noi resterà dirigere, coordinare, supervisionare. È un racconto che promuove tutti, da esecutori a direttori d’orchestra. Il problema è che… è sbagliato!

Questa settimana abbiamo inaugurato i Live Talk di SuperAgents con Simone Cicero, fondatore di Boundaryless e autore di Through The Boundary, una nuova newsletter su piattaforme, organizzazioni e AI a cui ti consiglio di iscriverti. Tra i temi che abbiamo trattato con Simone c’è l’intervista di Jack Dorsey a Sequoia Capital, rilasciata poche settimane dopo From Hierarchy to Intelligence di cui ho scritto in Informazione libera.

Dorsey prende il ruolo più diffuso nelle organizzazioni, il manager, e lo smonta.

Quattro funzioni per un manager

Chiedete a un manager cosa fa e vi risponderà con il nome del reparto o del progetto che segue. Chiedetegli come passa le giornate e la risposta cambia: riunioni, allineamenti, one-to-one, email. Se resta tempo, lavora.

Chi gestisce persone mescola quattro funzioni operative: lavora, o almeno conosce il lavoro abbastanza da valutarlo; si prende carico dei risultati e risponde quando qualcosa fallisce; si occupa della crescita professionale delle persone intorno a sé; e instrada informazione, spostandola tra i livelli, allineando i team, riportandola a chi decide.

La quarta funzione mangia le altre tre, e le mangia perché la struttura gerarchica, da duemila anni, rende l’instradamento necessario a ogni livello. Ma il realtà il manager è un pacco: costruire, decidere, occuparsi della crescita professionale delle persone e instradare l’informazione convivono nello stesso ruolo. Almeno fino a ora, perché la tecnologia disponibile non ha mai permesso di distribuirle diversamente: la gerarchia ha sempre avuto bisogno di quei nodi umani per far passare il contesto tra i livelli, e finché i nodi erano lì, tanto valeva caricarli anche del resto.

Il world model di Dorsey, l’intelligenza che Block costruisce al centro della propria organizzazione alimentandola con ogni artefatto prodotto dall’azienda (codice, design, decisioni, conversazioni, piani), sostituisce l’instradamento. Il contesto che viaggiava attraverso livelli gerarchici diventa interrogabile da chiunque, aggiornato in continuo, senza intermediari.

La quarta funzione del manager, quella che si mangiava tutte le altre, scompare e il pacco si apre. Restano tre parti che possono andare a persone diverse. Dorsey li chiama ruoli e li potremmo tradurre con tre verbi: costruire, rispondere, far crescere.

Tre verbi, una gilda

Le gilde artigiane operavano con tre figure che rispondono allo stesso problema di Dorsey: come organizzare chi fa, chi risponde, chi insegna.

A Firenze, tra il XII e il XIV secolo, ventuno Arti governavano la vita economica della città. La struttura interna era ovunque la stessa: apprendista, giornaliere, maestro. Tre livelli, tre funzioni distinte, regolate da statuti dettagliati che stabilivano la durata dell’apprendistato, le condizioni di lavoro, i requisiti per avanzare.

L’apprendista entrava in bottega tra i dieci e i quindici anni, con un contratto firmato dal maestro e dalla famiglia del ragazzo che specificava durata, obblighi, competenze da trasmettere. Ci restava dai cinque ai dieci anni, a seconda del mestiere: due per un cuoco, sette in media, fino a dieci per un orafo o un armaiolo. Non studiava il mestiere: lo praticava, producendo oggetti reali per clienti reali nella stessa bottega del maestro, sullo stesso pezzo, sotto la stessa luce, senza ricevere un salario perché il compenso era il mestiere stesso, insieme a vitto, alloggio, vestiti e strumenti. Il suo valore cresceva con la capacità di valutare il proprio output, di distinguere un lavoro fatto bene da uno mediocre. Judgment e taste, le chiama Dorsey: le stesse parole che usa per descrivere la competenza dell’Individual Contributor (IC), il primo dei tre ruoli. L’apprendista sviluppava giudizio e gusto perché era esposto al problema intero: scegliere il materiale, lavorarlo, costruire l’oggetto, rifinirlo, venderlo al prezzo giusto. L’IC di Dorsey recupera quella esposizione. La società industriale l’ha spezzata, frammentando il lavoro in task isolati e restringendo il giudizio al micro-problema: questo codice è scritto bene? questa interfaccia è usabile? L’apprendista della bottega si chiedeva non solo se l’oggetto funzionava, ma anche se il cliente l’avrebbe desiderato, e se il prezzo era quello giusto. L’AI produce i task, mentre l’IC vede il problema che li tiene insieme e agisce per risolverlo.

Il giornaliere (journeyman, da journée: giornata lavorativa, un’etimologia che dice tutto sulla natura del rapporto) era un artigiano formato, pagato a giornata, libero di spostarsi tra botteghe e contesti applicando la propria competenza dove serviva. Nelle gilde tedesche la mobilità era obbligatoria: il Wanderjahre, gli anni di peregrinazione, durava almeno tre anni e un giorno, e il giornaliere viaggiava attraverso mezza Europa prima di potersi candidare a maestro. In Italia e in Francia la regola era meno rigida, ma la pratica comune: un artigiano che avesse lavorato in botteghe diverse, con maestri diversi, in città diverse, portava un giudizio più largo di chi era rimasto fermo. Era l’IC con una libertà che l’organigramma moderno ha cancellato.

Il maestro era chi apriva bottega, e per farlo doveva produrre un capolavoro. Il termine viene da lì: capo (il culmine) e lavoro, calco del francese chef-d’oeuvre. Il primo uso documentato risale alla gilda dei pittori di Parigi nel 1391. Non era un esercizio accademico: era un pezzo che dimostrava padronanza completa del mestiere, eseguito secondo specifiche dettate dalla gilda, in un tempo prestabilito, e giudicato dall’assemblea dei maestri. Se il pezzo passava, restava alla gilda come prova. Poi servivano i soldi: la quota di iscrizione, gli strumenti per la bottega, e un banchetto per gli altri maestri. I figli dei maestri pagavano meno. Nel tempo, la corsia preferenziale per i figli divenne la norma, e il sistema si incrostò: i maestri alzavano gli standard per i giornalieri esterni, bloccavano l’accesso, trasformavano una struttura meritocratica in una ereditaria. Le gilde morirono anche per questo.

Ma nella loro forma migliore, il maestro era chi prendeva il cliente, rispondeva della qualità, coordinava apprendisti e giornalieri. Il DRI di Dorsey (Directly Responsible Individual), il secondo ruolo, fa la stessa cosa: ha responsabilità e accountability su un problema trasversale per 90 giorni, con piena autorità di comporre il team da qualsiasi parte dell’organizzazione. Steve Jobs aveva inventato il termine in Apple mettendo un nome accanto a ogni azione in ogni riunione: accountability su un deliverable. Dorsey ne cambia la scala. Il DRI di Block non è il responsabile di un progetto assegnato dall’alto: identifica il problema, assembla le persone, prende le decisioni, porta il risultato. La sua competenza è l’ownership: prendersi un risultato sulle spalle sapendo che l’eventuale fallimento è suo.

Il maestro era anche chi insegnava, e lo faceva lavorando accanto all’apprendista, perché l’insegnamento non era separato dal lavoro: era il lavoro stesso. Il Player-Coach, terzo ruolo di Dorsey, funziona allo stesso modo: scrive codice, costruisce modelli, disegna interfacce, e contemporaneamente investe nella crescita di chi lavora accanto a lui. Nell’intervista a Sequoia Dorsey dice una frase che nell’articolo scritto non compare: “In the future it’s an assignment, not a reporting structure.” Oggi il Player-Coach è il tuo manager, la persona a cui riporti. Domani è qualcuno a cui vieni assegnato per sviluppare un aspetto del mestiere, e l’assegnazione cambia nel tempo. La crescita professionale delle persone si separa dalla gerarchia. Non cresci perché il capo ti promuove, ma perché qualcuno ti insegna praticando accanto a te. Bello, vero?

La differenza storica tra le gilde e Dorsey è una sola. Le gilde separavano le tre funzioni nel tempo: prima fai, poi rispondi, poi insegni. Dorsey le separa nello spazio organizzativo. Una persona in Block può coprire da uno a tre ruoli in contemporanea. Dorsey stesso dichiara di coprirli tutti e tre, e lo pretende dal suo leadership team. La seniority nella gilda era il tempo: diventavi maestro dopo decenni. La seniority in Block è la densità: quanti verbi riesci a coniugare?

Specializzazione: sì o no?

La bottega esponeva l’apprendista al problema intero. La fabbrica lo ha spezzato in task. L’organigramma del Novecento ha completato la frammentazione organizzando le persone per funzione verticale: marketing, engineering, finance, HR… Ogni funzione vede il proprio task, e il giudizio si restringe a quel perimetro.

Dorsey organizza Block per layer orizzontali del sistema: capabilities (le primitive finanziarie: pagamenti, prestiti, emissione carte), world model (come l’azienda comprende sé stessa e i clienti), intelligence layer (compone le capability in soluzioni), interfaces (Cash App, Square, le superfici che toccano il mondo). L’IC è specialista di un layer, e nell’intervista Dorsey dice che può essere “a salesperson, an engineer, a designer, a product person.”

Le due cose convivono perché il layer ricompone il problema. Un ingegnere e un commerciale nel layer delle capabilities condividono più contesto tra loro, perché lavorano sullo stesso strato dell’architettura aziendale e ne vedono i vincoli incrociati, di quanto ne condividano con colleghi della stessa funzione in un altro layer. Organizzare per layer significa ri-esporre le persone a un problema composito che attraversa competenze diverse, come nella bottega. Organizzare per funzione significa tenerle chiuse dentro il task.

In Addio, job title abbiamo visto che le professioni sono costellazioni di componenti, e che le componenti produttive sono le più esposte all’AI. In Ricomporre il lavoro, incrociando 18.796 task del database O*NET con i dati di Anthropic, abbiamo scoperto che le componenti senza traccia di AI si concentrano in otto famiglie (pianificazione strategica, giudizio sulla qualità, lettura del contesto, compliance, consulenza, supervisione, coordinamento, negoziazione) e attraversano centinaia di professioni: un industrial engineer e un regista condividono il 92% delle categorie di competenza umana, un CEO e un art director il 91%.

Il mestiere è la tua biografia. Il layer è il tuo indirizzo. Vent’anni di codice, o di design, o di vendite, o di finanza ti hanno formato il giudizio. Al sistema interessa dove lo applichi. Il team di DeepMind ha portato le proprie competenze dall’insegnare a una macchina a giocare a Go fino a risolvere il ripiegamento delle proteine, vincendo il Nobel per la Chimica nel 2024. La loro specializzazione non era il dominio, ma un metodo applicato a domini diversi. Quando Dorsey dice che l’IC può essere sales o engineer, sta dicendo che per l’organizzazione quella distinzione è biografica, non strutturale. Come nella bottega: il mestiere ti ha dato gli strumenti, il layer ti dà il problema.

Il gradiente dell’agentività

Con Simone, nel Live Talk di SuperAgents, abbiamo affrontato la domanda che mette in discussione l’intero modello: ha senso separare chi costruisce da chi risponde?

La tesi di Simone, sviluppata in vent’anni di lavoro sulle organizzazioni a piattaforma, è che IC e DRI sono destinati a fondersi. Il rendanheyi di Haier, il più grande produttore di elettrodomestici al mondo, ha riorganizzato 80.000 dipendenti in oltre 4.000 microimprese autonome con tre diritti: decisioni indipendenti, assunzione del personale, distribuzione dei profitti. 12.000 middle manager hanno scelto: diventare imprenditori dentro la nuova struttura o andarsene. Nel primo numero di Through The Boundary Simone scrive che l’AI elimina la sovrastruttura (management, processi burocratici, middle manager come traduttori di contesto) e rende più necessaria la struttura: topologia delle unità, tassonomia dei prodotti, contratti tra le parti, semantica condivisa sul valore che l’organizzazione produce. In questo modello ogni unità costruisce e risponde. Il verbo è uno solo.

È il punto di arrivo, ma la distanza tra qui e lì è il problema vero.

La società in cui viviamo ha allenato le persone a rispettare regole e completare compiti per quarant’anni: venti di scuola costruita sul modello dell’esecuzione (studia, ripeti, vieni valutato) seguiti da venti di gerarchia aziendale costruita sullo stesso schema (ricevi obiettivi, esegui, vieni misurato). L’agentività imprenditoriale che il modello di Simone presuppone, la capacità di identificare un problema, assumersi il rischio, comporre le risorse, portare un risultato e accettarne le conseguenze, è assente dal bagaglio della maggior parte dei professionisti che conosco. Per design del sistema, non per limiti delle persone. Riformare scuole, modelli formativi e aspettative culturali richiede una generazione.

I tre verbi di Dorsey sono una risposta a questo vincolo. Sono tre gradi di agentività crescente. L’IC agisce con giudizio sul problema composito del proprio layer, vedendo i vincoli incrociati che la specializzazione per funzione nascondeva. Il DRI agisce con mentalità imprenditoriale su un problema trasversale, con autorità di comporre il team e responsabilità sul risultato. Il Player-Coach agisce sulle persone, leggendo chi ha davanti e calibrando il supporto. Chi ha il mindset imprenditoriale fa il DRI. Chi non ce l’ha ancora fa l’IC, con più autonomia e più contesto di quanto la gerarchia tradizionale gli abbia concesso in vita sua.

Quello di Dorsey è un modello di transizione, onesto nel riconoscere che la maggior parte delle persone non è pronta per “tutti imprenditori domani.” Il cerchio al posto dell’organigramma, con l’intelligenza al centro e le persone al bordo ciascuna con il proprio grado di agentività, è una stazione intermedia verso la rete di cellule autonome che Simone descrive. E una stazione intermedia costruita bene può durare più a lungo della destinazione.

L’ultimo ruolo che resiste

Dorsey nell’intervista dice che vorrebbe tutte le 6.000 persone di Block in riporto diretto a lui. Oggi la profondità gerarchica massima è cinque livelli. Vuole arrivare a due o tre, e nell’ipotesi estrema a zero.

Con Simone ci siamo chiesti: se sparisse anche il CEO di un’organizzazione, che cosa resterebbe?

Il world model distribuisce il contesto a tutti, ma un’informazione simmetrica non produce decisioni simmetriche. Qualcuno sceglie le priorità tra problemi concorrenti. Qualcuno decide chi è DRI su cosa, qualcuno stabilisce i vincoli entro cui il sistema opera, i trade-off che l’organizzazione accetta, le cose che sceglie di fare e quelle che sceglie di non fare. Eliminando i livelli intermedi, Dorsey concentra queste funzioni in una persona sola. Il centro dell’organizzazione si svuota di persone e si riempie di intelligenza; il bordo si popola di IC, DRI e Player-Coach; e il CEO resta perché incarna qualcosa che il world model non contiene: la direzione. Nell’intervista la descrive come “costantemente allineare l’intelligenza verso il risultato che pensiamo sia giusto” e ammette che il suo compito è verificare che il cerchio di umani al bordo funzioni. È il DRI dell’organizzazione intera, l’IC che ne costruisce l’architettura, il Player-Coach del suo leadership team. Tutti e tre i verbi in una sola persona.

Simone offre una chiave diversa nella sua newsletter: l’identità di un’organizzazione sta nelle scelte che fa, nei vincoli che si impone, nei trade-off che accetta. Se il CEO incarna quei vincoli, toglierlo significa renderli espliciti, codificati, condivisi. È il context engineering di cui scrive: costruire il contesto che produce coordinamento. Il CEO potrebbe essere l’ultimo ruolo che resiste allo spacchettamento. O il primo che dovrebbe essere tradotto in un protocollo.

La carriera non è una scala

Se i ruoli sono verbi, la progressione lineare perde senso. IC → manager → director → VP descriveva una traiettoria dentro un sistema dove salire significava gestire pacchetti più grandi. Spacchettato il manager, la traiettoria cambia forma.

Espandi i verbi che sai coniugare. Inizi costruendo: è dove sviluppi il giudizio sul problema intero, dove accumuli la biografia professionale che nutrirà tutto il resto. Poi impari a rispondere di un risultato, a prenderti un problema e portarlo a destinazione. Poi impari a far crescere qualcuno, praticando accanto a una persona e trasferendole ciò che sai. La maturità professionale si misura sui verbi che combini.

La transizione ha tre velocità che non si aspettano a vicenda:

1. Come individuo puoi iniziare lunedì: chiediti cosa hai costruito questa settimana, di cosa hai risposto, chi hai fatto crescere, e dopo qualche mese scoprirai dove sei forte e dove il verbo è vuoto.

2. Come organizzazione il lavoro è più lento: job description, livelli retributivi, sistemi di valutazione sono costruiti sui nomi, e ricostruirli sui verbi significa ridisegnare il modo in cui assumi, valuti e paghi le persone.

3. Come sistema la trasformazione richiede decenni: i CV chiedono job title, le job description chiedono competenze di dominio, LinkedIn ti fa scegliere un ruolo da un menu a tendina. Il sistema è costruito sui nomi e cambierà per ultimo.

La buona notizia: puoi coniugare i tuoi verbi anche dentro un sistema che parla per nomi. La cattiva: il sistema non ti aiuterà a farlo.

Cosa costruisci?
Di che cosa rispondi?
Chi fai crescere?

Ogni prodotto, ogni servizio, ogni processo organizzativo è fatto di nodi che hanno un valore diverso. Alcuni sono il motivo per cui il tuo prodotto o la tua organizzazione esiste, il punto dove si concentra la differenza tra te e tutti gli altri. Alcuni sono specifici del tuo contesto: li costruisci perché nessun servizio esterno lo conosce come te. Altri sono problemi risolti: li compri perché costruirli sarebbe uno spreco di risorse.

La prima domanda da farti è: dove sta il valore del mio prodotto o della mia organizzazione? La risposta determina dove metti le persone migliori, dove investi i soldi, cosa fai e cosa smetti di fare.

La seconda domanda, più difficile, è: quando, come e perché il valore si sposta? Ciò che oggi è il cuore del tuo prodotto tra un anno potrebbe essere un servizio che compri. Ciò che oggi compri potrebbe non essere più abbastanza, e richiedere investimenti e attenzione.

Per rispondere a entrambe le domande serve scomporre. Prendere il prodotto, il servizio, il processo, l’organizzazione e separarne i nodi. Poi chiedersi, per ciascun nodo, che lavoro fa, in che stadio è, come misuro se funziona e quando cambio strategia.

Come scomporre il lavoro

Parti dalla fine
Da ciò che qualcuno riceve: il cliente che riceve la campagna, l’utente che apre il prodotto. Poi risali la catena chiedendoti cosa è servito per produrre quel risultato. Ogni risposta è un nodo.

Ogni nodo fa un lavoro che rientra in quattro tipi:

1. Consegna: far arrivare il risultato alla persona giusta nel momento giusto.

2. Interpretazione: trasformare un dato in qualcosa su cui una persona può agire, aggiungendo il contesto che trasforma un numero in una decisione.

3. Rilevazione: confrontare, classificare, riconoscere regolarità nei dati.

4. Arricchimento: portare dentro dati dall’esterno e renderli utilizzabili.

Esempio: un recruiter piazza un candidato in un’azienda. Parti dalla fine, dalla persona assunta che inizia a lavorare nel team: quella è la consegna. Per arrivarci qualcuno ha valutato il candidato rispetto al bisogno del team, aggiungendo contesto oltre il CV: quella è interpretazione. Prima ancora, qualcuno ha confrontato decine di profili con i requisiti e ne ha selezionati cinque: quella è rilevazione. E ancora prima, qualcuno ha raccolto i CV, i dati sugli stipendi di mercato, le referenze, le informazioni sull’azienda che assume: quello è arricchimento.

Simon Wardley ha dedicato vent’anni a studiare come questi nodi evolvono lungo un asse che va da genesis (nuovo) a commodity (standardizzato). Le sue mappe ti dicono dove ogni nodo si trova e quanto è maturo. Il tipo di lavoro aggiunge una dimensione, cioè dice quale funzione svolge il nodo nella catena e anticipa dove si muoverà: l’arricchimento tende a diventare un servizio che compri e l’interpretazione tende a restare il cuore del prodotto, perché il contesto specifico del tuo cliente e del tuo mercato è la cosa meno replicabile.

Queste informazioni danno una fotografia. Per trasformarla in uno strumento operativo ne servono altre due:

1. Cosa misuri, e in quanto tempo
   Alcuni nodi ti dicono subito se funzionano: correggi una bozza grafica, la mostri al direttore creativo, in dieci minuti sai se va bene. Quando il riscontro è immediato puoi migliorare in fretta, e puoi anche far fare il lavoro a un agente AI che prova, misura, tiene ciò che funziona e scarta il resto (Andrej Karpathy chiama questo ciclo autoresearch). Altri nodi ti dicono se hanno funzionato dopo settimane o mesi: hai assunto la persona giusta? Lo sai tra sei mesi, quando la vedi lavorare, decidere, relazionarsi col team. Quando il riscontro è lento, servono occhi umani e tempo per leggere i risultati.

2. Quando un nodo cambia, e verso cosa
   La regola anticipata è una decisione che prendi con calma oggi per un cambiamento che arriverà domani. Scrivi una soglia e un’azione. Esempio: se un format creativo viene approvato dal cliente senza modifiche nell’85% dei casi per tre mesi, quel format diventa un template e il direttore creativo smette di rifarlo ogni volta. Esempio 2: se il tempo di sviluppo di un’interfaccia standard scende sotto le due ore, quello sviluppo esce dalle stime di progetto e diventa un costo fisso. Se condizione misurabile, allora cambiamento concreto. Senza la condizione non sai quando agire; senza il cambiamento, ridiscuti ogni volta da zero.

Quindi?

Fin qui è metodo. Le cose interessanti emergono quando lo applichi e scopri che:

Il valore non è dove pensi

Due agenzie creative. Dall’esterno fanno lo stesso lavoro: campagne per clienti, produzione visiva, strategia di comunicazione. Dentro, la mappa è diversa.

Nella prima il valore è nell’interpretazione. La direttrice creativa ha vent’anni di esperienza nel lusso, conosce tutto del mercato e il suo giudizio è la ragione per cui i clienti pagano. La produzione è in transizione verso commodity: Midjourney e Runway generano bozze che il team poi raffina. La ricerca di mercato è già automatizzata. La regola anticipata sulla produzione è quasi scattata, e quando scatterà l’agenzia potrà ridurre il team di produzione e concentrare le risorse sulla direzione.

Nella seconda il valore è nell’arricchimento, in un posto dove nessuno se lo aspetta. In dieci anni di lavoro nel food&beverage l’agenzia ha costruito un archivio di dati proprietari: per ogni tipo di campagna sa quali messaggi hanno funzionato, con che tasso di conversione, su quali canali, in quali stagioni, per quali fasce di prezzo. Quei dati non li ha nessun altro. Sono il motivo per cui l’interpretazione (il consiglio creativo) è calibrata sulla realtà e non sulle ipotesi. Se quell’archivio venisse trattato come commodity l’agenzia regalerebbe il suo moat.

Stessa industria, stesso nome di mestiere. La mappa dice cose opposte su dove investire.

Stai ottimizzando il nodo che ti dà soddisfazione

Il nodo con riscontro veloce è gratificante: fai un cambiamento, misuri, il numero migliora. Il nodo con riscontro lento è frustrante: fai un cambiamento, non succede niente per settimane. Le persone gravitano verso il primo.

Un team di sviluppo software passa il venerdì a ottimizzare le performance del codice e intanto l’architettura del sistema non la guarda nessuno da tre mesi.

La scomposizione dice una cosa semplice su questa asimmetria: tutto ciò che ha un riscontro veloce e una misura pulita è lavoro perfetto per un agente AI, perché un agente può fare dieci esperimenti in un’ora, misurare, tenere ciò che funziona e scartare il resto senza stancarsi e senza bisogno di gratificazione. Le performance del codice le dai all’agente e liberi il venerdì del team. Le persone lavorano sul nodo col riscontro lento, quello con segnali deboli che arrivano dopo mesi, ma che genera più valore.

Una regola è già scattata e nessuno l’ha vista

Una società di consulenza prepara proposte commerciali su misura per ogni cliente. Il partner ci lavora due giorni ogni volta. Ma nel 75% delle proposte la struttura è la stessa: analisi del contesto, framework di intervento, timeline, pricing, case study di riferimento. Le variabili sono il settore del cliente e la dimensione dell’intervento. Quel lavoro ha smesso di essere consulenza mesi fa (e forse gran parte della consulenza ha smesso di essere tale anni fa): se qualcuno avesse scritto la regola, il partner lavorerebbe due giorni sulle proposte dove il framework non esiste, e due ore su quelle dove esiste già.

La tua identità non è il tuo moat

Un laboratorio di mobili su misura in Brianza ha dodici artigiani, un capannone pieno di macchine e quarant’anni di esperienza nella lavorazione del legno. L’azienda si pensa come un’azienda di produzione. L’investimento è nelle macchine, nelle persone in laboratorio, nei materiali.

Nella stessa zona ci sono altri cento laboratori con le stesse macchine e la stessa competenza. Il motivo per cui i clienti tornano da questo e non da un altro è il titolare: la prima visita a casa del cliente, la capacità di guardare la stanza e capire che il mobile che il cliente ha in testa non funzionerà in quello spazio, la proposta alternativa che tiene conto di come la luce entra dalla finestra e di come si muovono le persone in quella casa. Quella conversazione è interpretazione. La produzione del mobile è il nodo più costoso e più lento, ma non è il moat: è il nodo che cento laboratori nella stessa provincia sanno fare allo stesso modo.

Se il titolare va in pensione e il figlio eredita il laboratorio con le macchine, ma senza la capacità di fare quella conversazione con il cliente, il laboratorio perde il suo nodo di interpretazione e diventa uno dei cento. Le macchine restano, il valore se ne va.

Lo stesso processo in due aziende ha la mappa capovolta

Il recruiting in un’azienda tech che cresce del 100% all’anno e il recruiting in un’azienda manifatturiera della provincia di Brescia hanno lo stesso nome nel gestionale HR.

Nell’azienda tech il nodo dove si concentra il valore è la valutazione: cerchi persone che sappiano lavorare in un contesto che cambia ogni sei mesi, con competenze che non corrispondono a nessun titolo esistente, e la differenza tra un’assunzione giusta e una sbagliata la vedi un anno dopo. Lo screening e il sourcing li automatizzi, i CV li filtra l’AI e liberi tempo per un colloquio lungo e approfondito, quello dove capisci come ragiona la persona.

Nell’azienda manifatturiera il nodo dove si concentra il valore è l’arricchimento: il problema non è valutare i candidati, è trovarli. Operai specializzati, periti meccanici e manutentori non sono su LinkedIn e non rispondono agli annunci. Il sourcing richiede relazioni con gli istituti tecnici della zona, presenza alle fiere di settore, passaparola con i fornitori, contatti con le agenzie interinali giuste. La valutazione è relativamente semplice: sai cosa ti serve e lo verifichi con una prova pratica in mezza giornata.

Stessa funzione nell’organigramma. Se assumi un HR manager per entrambe e gli chiedi di “migliorare il recruiting”, farà le stesse cose in entrambe le aziende. La scomposizione gli direbbe che in una deve investire nella valutazione e nell’altra nel sourcing.

Il modello di prezzo non corrisponde alla mappa

Le agenzie creative vendono giornate di produzione, i team di sviluppo vendono giornate di codice, le società di recruiting vendono ricerca e screening: in tutti e tre i casi il prezzo è costruito intorno al nodo che l’AI sta rendendo commodity.

La scomposizione rende visibile il disallineamento. Ma la conseguenza più interessante non è “alza il prezzo sull’interpretazione”: è che i nodi spacchettati diventano business con logiche diverse.

La produzione creativa, separata dalla direzione, è un flusso automatizzato che puoi offrire al cliente come strumento self-service: dai accesso alla generazione delle bozze, il cliente produce le varianti da solo e tu vendi la direzione strategica come retainer a valore fisso. Lo screening dei candidati, separato dalla valutazione, è un prodotto software: lo automatizzi, lo offri come piattaforma, lo dai in licenza. La valutazione diventa il servizio, con un prezzo legato alla complessità del ruolo. La scrittura del codice, separata dall’architettura, è un costo fisso per funzionalità: l’architettura e la comprensione del bisogno diventano il servizio vero, venduto a progetto con un prezzo legato al rischio di sbagliare.

Il nodo commodity, una volta separato, diventa il canale di distribuzione per il nodo che vale. Regali lo screening e monetizzi la valutazione, regali il flusso di produzione visiva e monetizzi la direzione, offri il codice a prezzo marginale e monetizzi l’architettura.

Dentro ogni servizio ci sono nodi che stanno diventando software e nodi che restano servizio. Il software diventa l’infrastruttura che distribuisce il servizio. Ciò che ieri vendevi caro perché era bundled col giudizio, domani lo regali per portare il cliente alla porta; ciò che ieri regalavi dentro la proposta, domani è il prodotto.

Il contesto come infrastruttura

Il risultato della scomposizione è un protocollo che contiene le proprie istruzioni di aggiornamento. Ogni nodo porta scritto dentro di sé cosa misurare, quando cambiare approccio, quanto spesso verificare, e chi è responsabile del miglioramento. Una persona al primo giorno di lavoro lo legge e sa dove investire attenzione, tempo ed energia. Un agente AI lo legge e sa dove e come lavorare. Questo è context engineering: contesto strutturato che guida le decisioni di chiunque interagisca con l’organizzazione, umano o macchina.

Se distribuisci il lavoro lungo i nodi e le loro proprietà, le persone e le macchine si organizzano intorno. Le competenze si distribuiscono sulla base di ciò che ogni nodo richiede: tipo di lavoro, velocità del riscontro, grado di giudizio necessario. Non sulla base di job title e funzioni che abbiamo così radicati nelle nostre teste da finire per organizzare anche il lavoro con gli agenti AI allo stesso modo: per reparto, per ruolo, per gerarchia.

La mappa si muove.
Muoviti con lei.

• Stai lavorando a progetti AI e hai bisogno di feedback? Entra e raccontali alla community.

• Hai domande sull’AI e non sai da dove iniziare? Entra e trova le risposte.

SuperAgent sarà a pagamento, ma non-profit: ricavato e spese saranno rendicontate pubblicamente e il guadagno sarà reinvestito interamente nella community stessa dove troverai conversazioni online, chat 1:1, webinar settimanali, eventi.

Il prezzo è incrementale, quindi occhio: per i primi 50 iscritti → 49€/anno per sempre, poi da 51 a 100 → 99€/anno per sempre, da 101 a 150 → 149€/anno per sempre, da 151 → 199€/anno per sempre.

Tra i fondatori di SuperAgents ci sono persone e professionisti incredibili come Sarah Corti, Rinaldo Festa, Fabio Franchino, Stefano Gatti, Paolo Gervasi, Stefano Maestri e Marco Merafina.

Nei prossimi giorni partiranno le comunicazioni alla community di Cosmico. Il messaggio arriva a te in anteprima perché segui Work After e vuoi scoprire come sta cambiando il lavoro. Ti aspetto!

Il 26 febbraio 2026 Jack Dorsey ha tagliato 4.000 persone da Block, il 40% della forza lavoro. Un mese dopo Oracle ha licenziato tra 20.000 e 30.000 dipendenti con un’email alle sei di mattina firmata “Oracle Leadership”, senza nemmeno un nome. Amazon, Meta, Salesforce hanno fatto lo stesso, con micro variazioni sul tema. La narrativa ufficiale è sempre l’AI. La realtà è un mix di overhiring pandemico, pressione degli investitori e ristrutturazione finanziaria. Block era passata da 4.000 a quasi 13.000 dipendenti in quattro anni di pandemia. Oracle taglia persone per finanziare 50 miliardi di dollari di data center. In gran parte, sono risposte tattiche a problemi che non c’entrano con l’intelligenza artificiale.

La differenza è che Dorsey, qualche settimana dopo i tagli, ha pubblicato con Sequoia un saggio intitolato From Hierarchy to Intelligence, il tentativo di rispondere alla domanda che tutti gli altri evitano: perché?

A oggi credo sia l’unico documento serio sul tavolo e per questo merita una lettura separata dai licenziamenti. Lo so che è molto complicato riflettere lucidamente sul contenuto di un articolo scollegandolo dal contesto in cui si è sviluppato: le affermazioni vengono da un CEO e dal suo fondo, dopo decisioni che hanno avuto un impatto negativo su degli esseri umani. Non possiamo far finta che questo non sia accaduto. Ma possiamo provare a separare il ragionamento dalla persona, e a giudicarlo solo per il suo contenuto.

Seguimi.

Velocità e successo

Dorsey apre con una dichiarazione: la velocità è il miglior predittore del successo di una startup. Chiude con un’affermazione speculare: le aziende si muovono velocemente o lentamente in funzione di quanto velocemente si muove l’informazione al loro interno.

Tra queste due frasi, Dorsey costruisce un arco storico di duemila anni.

Parte dall’esercito romano, dove otto soldati che condividono tenda, equipaggiamento e un mulo, guidati da un decanus, formano un contubernium. Dieci contubernia formano una centuria sotto un centurione, sei centurie una coorte, dieci coorti una legione di circa 5.000 uomini. A ogni livello, un comandante aggrega informazione dal basso e trasmette decisioni dall’alto. La struttura 8 → 80 → 480 → 5.000 è un protocollo di routing dell’informazione costruito attorno a un vincolo umano: un leader può coordinare tra tre e otto persone. Questo è quello che tecnicamente si chiama span of control.

Dopo la disfatta di Jena nel 1806, Scharnhorst e Gneisenau ricostruiscono l’esercito prussiano attorno all’idea che non possa dipendere dal genio individuale al vertice. Creano il General Staff, una classe di ufficiali il cui compito è pianificare, processare informazione e coordinare. Scharnhorst dice che devono “supportare generali incompetenti, fornendo i talenti che altrimenti mancherebbero alla leadership”. È il middle management prima che il termine esista.

Le ferrovie americane portano questa logica nel mondo civile negli anni 1840-1850. Ingegneri formati a West Point trasferiscono il pensiero organizzativo militare alle compagnie private. Nel 1855 Daniel McCallum della New York and Erie Railroad disegna il primo organigramma della storia per gestire un sistema di oltre 800 chilometri. I treni si scontravano: per questo serviva una struttura formale per governare il flusso di informazione.

Taylor e lo scientific management ottimizzano cosa succede dentro la gerarchia. Nel dopoguerra McKinsey formalizza la matrice per gestire la complessità delle multinazionali. Poi Spotify, Zappos, Valve tentano strade alternative, come le squad e Holacracy: Modelli che, dice Dorsey, faticano a scalare e vacillano quando l’organizzazione cresce, lasciando il posto al management tradizionale.

Duemila anni di innovazione organizzativa sono stati un tentativo di aggirare il compromesso tra span of control ristretto e allargato, senza romperlo. L’AI, secondo Dorsey, è la prima tecnologia capace di rompere quel vincolo, perché può mantenere un modello continuamente aggiornato dell’intera organizzazione e usarlo per coordinare il lavoro senza intermediari umani.

La gerarchia non è il nemico

From Hierarchy to Intelligence suggerisce che gerarchia e intelligenza siano opposte: lasci una per entrare nell’altra.

Ma la gerarchia è un principio organizzativo che esiste ovunque: le api organizzano la colonia per funzione, nel design la gerarchia visiva guida l’attenzione, ogni volta che stabilisci una priorità stai introducendo una gerarchia. Nei budget, nei flussi di lavoro, nelle architetture software, la gerarchia è il modo in cui i sistemi complessi funzionano.

La gerarchia diventa ostacolo quando si lega al potere attraverso il controllo dell’informazione. Quando poche persone al vertice trattengono la maggior parte delle informazioni e ne distribuiscono frammenti al resto dell’organizzazione, la gerarchia smette di essere uno strumento di coordinamento e diventa un’infrastruttura di dominio.

Lo stesso Dorsey, nel suo saggio, descrive questo meccanismo. Il General Staff prussiano nasce per “processare informazione e coordinare”, le ferrovie adottano la gerarchia per gestire il flusso informativo, il middle management esiste perché filtra, interpreta e ritrasmette informazione tra i livelli: la storia che Dorsey ricostruisce è, dall’inizio alla fine, una storia di informazione controllata.

La soluzione che propone, se funziona come la descrive, rende l’informazione simmetrica. Tutti vedono lo stesso contesto. In un’azienda remote-first come Block, dove il lavoro produce artefatti (decisioni, discussioni, codice, design, piani), l’AI può costruire e aggiornare il contesto in continuo.

Il middle manager che Dorsey vuole eliminare è la persona che esiste per instradare informazione tra livelli, e che in molti casi usa il suo ruolo per costruire e mantenere il potere sulle persone. Quando l’informazione circola senza intermediari, la funzione del manager-controllore smette di avere senso. Ma la funzione di coordinamento resta: qualcuno deve decidere le priorità, allocare l’attenzione, valutare la qualità delle soluzioni. Quella è gerarchia di competenza e di responsabilità.

Dorsey ha capito il meccanismo: la velocità dipende dal flusso informativo, la gerarchia del potere lo rallenta perché è stata costruita per controllarlo, l’AI può liberare quel flusso. Il frame giusto per descriverlo è dall’informazione controllata all’informazione liberata. La gerarchia non scompare: cambia natura, perché perde il meccanismo che la rendeva lenta, inutile, dannosa.

Una nuova architettura

La parte più interessante del saggio è l’architettura che Dorsey propone per Block. Si sviluppa su quattro strati:

1. Capability
   Sono le primitive atomiche: nel caso di Block sono le componenti finanziarie dei loro servizi come pagamenti, prestiti, emissione di carte, banking, buy-now-pay-later, payroll. Sono competenze senza interfaccia propria, difficili da acquisire (effetti di rete, permessi regolatori).

2. World model
   Da una parte il company world model è come l’organizzazione comprende se stessa: è il modello che sostituisce l’informazione che passava attraverso i livelli gerarchici. Dall’altra parte il customer world model è la rappresentazione per-cliente e per-merchant costruita dai dati transazionali proprietari di Block.

3. Intelligence layer
   Compone le capability in soluzioni per clienti specifici in momenti specifici. Per il ristorante il cui cash flow si restringe prima di un calo stagionale che il modello ha già visto, il sistema compone un prestito a breve termine e calibra il piano di rimborso. Per un utente Cash App il cui pattern di spesa cambia in modo compatibile con un trasferimento in una nuova città, il sistema compone direct deposit, carta con categorie potenziate per il nuovo quartiere, obiettivo di risparmio calibrato sul reddito aggiornato. Nessun product manager ha deciso di costruire queste soluzioni: le capability esistevano, il layer le ha composte.

4. Interfacce
   Square, Cash App, Afterpay, TIDAL, bitkey, proto sono le superfici di delivery dell’organizzazione. Il valore è nel modello e nell’intelligenza.

Quando l’intelligence layer prova a comporre una soluzione e non riesce perché manca una capability, quel segnale di fallimento diventa la roadmap. La realtà del cliente genera il backlog.

C’è una coincidenza interessante tra il nome dell’azienda di Dorsey e l’architettura organizzativa che propone. L’organizzazione va scomposta in componenti atomiche, in Block, e poi ricomposta con regole nuove.

E le persone?
Per Dorsey sono “on the edge”, ai confini dell’organizzazione, e portano componenti come intuizione, direzione, contesto culturale, dinamiche di fiducia, decisioni etiche. Dorsey lo dice in modo esplicito: le persone vanno dove il modello non arriva, percepiscono cose che il modello non è in grado di percepire, prendono le decisioni che il modello non dovrebbe prendere da solo.

L’AI assorbe la funzione produttiva. Il valore si riorganizza attorno a ciò che diventa scarso: giudizio, contesto, relazione, coordinamento. Dorsey ci arriva dalla storia militare e dall’architettura di Block, mentre negli ultimi numeri di questa newsletter ci siamo arrivati dai dati di Anthropic e dalla decomposizione delle professioni. Due strade indipendenti, stesso punto di arrivo.

Oltre l’organizzazione

Seguiamo la logica di Dorsey. Se il principio organizzativo non è più la funzione produttiva (perché l’AI la assorbe) e non è più il controllo dell’informazione (perché il world model la libera), cosa tiene insieme un’organizzazione? La risposta è nelle componenti di valore che Dorsey stesso elenca per le persone “on the edge”: intuizione, contesto culturale, dinamiche di fiducia, decisioni etiche, giudizio.

Queste componenti attraversano i confini organizzativi per natura. Un professionista che sa leggere il contesto di un mercato, negoziare con gli stakeholder e valutare la qualità di una soluzione non ha bisogno di appartenere a una sola azienda per farlo. Può operare come nodo in più organizzazioni, portando il proprio network e la propria capacità di giudizio dove serve. Anzi, più esce dai confini di una sola organizzazione, più cresce il suo valore fatto di relazioni con i clienti, esperienza, contesto e reputazione.

L’organizzazione è un protocollo che definisce le regole per la collaborazione tra professionisti senza possedere i professionisti, come un protocollo internet definisce le regole per lo scambio di dati senza possedere i nodi della rete. La dimensione dell’organizzazione si misura in nodi nel network di fiducia, il suo meccanismo di coordinamento è la reputazione, il suo valore si sposta sulla densità del network di fiducia.

Ogni volta che un nodo lavora con un nuovo cliente o affronta un nuovo problema porta alla rete un pezzo di contesto che prima non c’era: e più contesto = più valore per l’organizzazione.

Qual è il contesto che solo la tua organizzazione capisce? State nutrendo quel contesto ogni giorno? La vostra comprensione del mondo cresce dentro le mura della vostra organizzazione, o crescerebbe di più se foste una rete?

Marzo 2016, Seoul. Demis Hassabis è nel backstage: il suo programma AlphaGo ha appena battuto Lee Sedol, campione mondiale di Go. Si volta verso David Silver, responsabile del progetto, e dice: “Now is the time.” Nei mesi successivi DeepMind assume un gruppo di biologi e costruisce un team interdisciplinare per affrontare un problema irrisolto da cinquant’anni: predire la struttura tridimensionale delle proteine a partire dalla sequenza di aminoacidi. Nel 2020 AlphaFold risolve il problema. Nel 2024, Hassabis e John Jumper vincono metà del Nobel per la Chimica per la protein structure prediction, mentre l’altra metà va a David Baker per il computational protein design.

Le persone che hanno risolto il protein folding erano gli stessi ricercatori e ingegneri AI che avevano passato anni a insegnare a una macchina a giocare a Go: hanno trasferito le loro competenze di metodo a un dominio che non conoscevano e che hanno studiato immergendosi nel campo, assumendo biologi, studiando la letteratura. Hassabis dice a Scientific American:

Something we do uniquely well at DeepMind is mix that together, not just machine learning and engineering.

Il nucleo della loro competenza è trasferibile, e il dominio può cambiare a seconda del contesto in cui operano: è il rebundling in azione.

Famiglie nascoste

Nell’ultimo numero di Work After abbiamo visto che ogni professione è una costellazione di componenti. Poi abbiamo esaminato i dati del Job Explorer di Anthropic per capire quali di queste componenti sono automatizzate o aumentare dall’AI, e quali ancora no.

Dopo aver scritto quell’articolo ho voluto capire se le componenti che oggi non presentano traccia di AI avessero qualcosa in comune tra professioni diverse. Insieme a Claude abbiamo incrociato le 18.796 task del database O*NET con i dati di penetrazione AI del dataset di Anthropic e abbiamo raggruppato le componenti senza traccia di AI per tipo di competenza, usando un’analisi per parole chiave sulle descrizioni delle task.

Le componenti senza traccia di AI si concentrano in otto famiglie che attraversano centinaia di professioni:

1. pianificazione strategica e decisione (circa 2.100 task, presenti in quasi 600 professioni)

2. giudizio e valutazione della qualità (1.600 task, 550 professioni)

3. lettura del contesto e ricerca (1.300 task, 470 professioni)

4. compliance e governance (1.000 task, 370 professioni)

5. consulenza e relazione con il cliente (900 task, 320 professioni)

6. supervisione e sviluppo delle persone (680 task, 330 professioni)

7. coordinamento degli stakeholder (660 task, 330 professioni)

8. negoziazione (420 task, 240 professioni)

Il dato più interessante è la sovrapposizione di queste componenti tra professioni che nel nostro sistema vivono in universi lontanissimi. Esempio: un industrial engineer e un regista cinematografico condividono il 92% delle categorie di competenza che ho estratto; un CEO e un art director il 91%; un financial manager e un responsabile della logistica il 91%. Se togli la componente produttiva che le rende diverse, il nucleo di queste professioni è lo stesso: coordinare, valutare, negoziare, leggere il contesto, prendere decisioni, supervisionare.

Il sistema produttivo del Novecento tratta questo nucleo come utile, certo, ma subordinato alla “vera” funzione del ruolo, che è quella produttiva. Ancora una volta cito Sangeet Paul Choudary, che in Reshuffle offre il framing giusto per leggere questo spostamento: l’AI non toglie qualcosa lasciando un residuo, ma ristruttura il sistema, e il valore si riorganizza attorno a ciò che diventa scarso. Quando le componenti produttive diventano abbondanti (perché l’AI le esegue a costo decrescente), ciò che diventa scarso sono le componenti di advisory, judgment, coordination, context reading. Le componenti che il sistema trattava come accessorie diventano le componenti di valore: il nucleo attorno a cui lavoro e organizzazioni si riconfigurano.

Perché esistono i dipartimenti

L’organigramma per funzioni (marketing, engineering, finance, HR, …) è la risposta a un problema specifico: coordinare persone con competenze produttive diverse costa. Quando, ad esempio, produrre una campagna richiede strumenti, linguaggi e routine condivise, conviene raggruppare chi le possiede: il reparto marketing esiste per questa ragione. In pratica la funzione produttiva è il collante che tiene insieme il dipartimento.

Alla luce delle analisi che abbiamo fatto sulle componenti delle professioni, però, il collante della produttività sta separando competenze di valore che sarebbero più utili se combinate. La persona nel marketing che sa leggere il contesto del cliente e quella nell’engineering che sa valutare i compromessi tecnici condividono una competenza: il giudizio. Eppure oggi lavorano in silos diversi e si incontrano nelle riunioni cross-funzionali, che esistono per compensare la separazione che la struttura stessa crea.

L’AI comprime i vincoli che giustificavano quella struttura. Il costo del coordinamento crolla: un sistema AI può orchestrare flussi di lavoro tra persone e processi con frizione vicina a zero. Il costo della specializzazione produttiva crolla: l’AI porta la capacità di un ingegnere, un designer, un analista dentro un unico sistema accessibile a chi ha giudizio sufficiente per usarlo. Lo span of control si espande: un professionista potenziato dall’AI può dirigere processi che prima richiedevano un team intero e diversi livelli di supervisione.

La domanda giusta non è “cosa può automatizzare l’AI”, ma quali nuovi sistemi di lavoro può coordinare l’AI. L’AI non automatizza task: ristruttura sistemi. E la ristrutturazione parte dalle organizzazioni.

Addio, dipartimento

Se l’AI assorbe la componente produttiva del marketing e quella dell’engineering, il motivo per cui quelle persone stavano in reparti separati scompare. Nel marketing resta qualcuno che sa capire cosa vuole il cliente e tradurlo in una direzione strategica, nell’engineering resta qualcuno che sa valutare i vincoli e compromessi tecnici e comunicarli a chi decide, nel finance resta qualcuno che sa leggere i numeri e trasformarli in scelte operative.

Queste persone condividono più competenze di valore tra loro che con i rispettivi colleghi di dipartimento. Solo la funzione produttiva le rendeva diverse: senza quella, appartengono alla stessa famiglia professionale applicata a domini diversi.

Se il principio organizzativo non è più la funzione produttiva ma la competenza di valore, la struttura cambia.

I team si formano attorno ai problemi
Un team non è “le persone che sanno fare marketing”, ma le persone che sanno leggere un mercato specifico, giudicare un’opportunità e coordinare una risposta. L’AI fornisce la capacità produttiva che serve di volta in volta: se il problema richiede una campagna la produce, se richiede un prototipo software lo genera, se richiede un modello finanziario lo costruisce. Le persone contribuiscono portando la loro relazione con il cliente, il giudizio calibrato sull’esperienza, la capacità di coordinare stakeholder diversi, la lettura del contesto che richiede presenza e sensibilità culturale.

I ruoli diventano fluidi
La stessa persona può lavorare su un problema di pricing al mattino e su un problema di product design al pomeriggio, perché la sua competenza di valore è trasversale. La specializzazione produttiva che la inchiodava a un dominio non c’è più. Il team di DeepMind non è generalista: è profondo nella sua competenza di metodo e la applica a domini diversi. Lo stesso principio vale per un professionista che sa negoziare, leggere il contesto e valutare la qualità: può farlo in un settore al mattino e in un altro al pomeriggio, con l’AI che colma il gap produttivo.

La gerarchia si trasforma
Un direttore marketing e un CTO hanno senso in una struttura dove marketing e technology sono funzioni separate con processi produttivi distinti. Se la produzione è automatizzata e i team si organizzano per problema, servono persone che sappiano comporre il team giusto per il problema giusto, allocare l’attenzione (che è la risorsa scarsa), giudicare la qualità delle soluzioni. È un ruolo che somiglia più a un regista che a un direttore di funzione.

La dimensione cambia significato
Oggi la dimensione di un’azienda corrisponde alla sua capacità produttiva: più persone, più output. Se la capacità produttiva è data dall’AI, la dimensione corrisponde alla quantità di relazioni, contesto e giudizio che l’organizzazione riesce a mobilitare. Un’agenzia di 10 persone con relazioni profonde in tre settori può generare lo stesso output di un’agenzia di 200, perché l’AI colma la differenza produttiva. Ma può operare in quei tre settori solo perché ha persone con anni di esperienza relazionale in ciascuno. La relazione non scala con la tecnologia: scala con il tempo.

I confini diventano porosi
Un professionista con competenze di advisory e context reading può operare come nodo in più organizzazioni contemporaneamente, portando il proprio network e la propria capacità di giudizio dove serve. Il freelance tradizionale vendeva competenza produttiva: scrivo codice, faccio design. Il freelance ricombinato vende competenza di valore: capisco il tuo problema, coordino la soluzione, giudico la qualità. Poi l’AI esegue.

Tre forme di organizzazione possibili

Se il dipartimento funzionale perde il suo principio fondante, cosa prende il suo posto? Facciamo un gioco, e proviamo a immaginare tre risposte.

1. L’organizzazione come flussi di valore

I dipartimenti scompaiono. Al loro posto ci sono flussi che attraversano l’organizzazione dal problema del cliente alla soluzione consegnata, con persone e AI allocate in base a cosa serve. In questa struttura non esisti come “marketing manager”, ma come nodo con un profilo di competenze di valore: sai leggere un certo tipo di contesto, hai relazioni in un certo settore, il tuo giudizio è calibrato su un certo tipo di decisione. La produzione è una commodity e il differenziale è la qualità del giudizio.

L’organigramma (chi riporta a chi) viene sostituito da una mappa di flussi: chi lavora su cosa, con quale combinazione di persone e AI, per risolvere quale problema. La mappa cambia ogni settimana. Il rischio è il disorientamento, perché le persone hanno bisogno di appartenenza e continuità. Il contrappeso è che i flussi si stabilizzano attorno alle relazioni con i clienti, che per natura richiedono tempo e costanza. La relazione diventa l’asse stabile attorno a cui il resto si muove.

Prendi uno studio legale. Oggi è organizzato per practice: corporate, litigation, tax, IP... L’AI assorbe la ricerca giurisprudenziale, la redazione di contratti, la due diligence, l’analisi di compliance. Quello che ha valore è la capacità di capire cosa vuole il cliente, il giudizio su quale strategia adottare, la negoziazione con la controparte. Queste competenze non appartengono a una practice area: un avvocato che sa negoziare e leggere il contesto può farlo su un deal M&A al mattino e su una disputa IP al pomeriggio. Lo studio quindi si riorganizza sulle relazioni con i clienti: team stabili che seguono un cliente su tutti i suoi problemi, con l’AI che porta la specializzazione produttiva e le persone che portano esperienza e continuità.

2. L’organizzazione come sistema nervoso

L’AI è il sistema nervoso e i suoi organi sensoriali sono le persone nel contesto: parlano con i clienti, frequentano un mercato, leggono segnali. Il loro lavoro è percepire, portare dentro l’organizzazione informazione che l’AI non può raccogliere perché richiedono presenza, fiducia, lettura del contesto, sensibilità culturale. L’AI elabora: prende le informazioni e le trasforma in analisi, modelli, prototipi a una velocità che la mente umana non potrebbe raggiungere. La risposta è di nuovo affidata alle persone, che traducono l’output in azione nel mondo sociale, presentando la strategia, negoziando, guidando il cambiamento.

In questo modello il ruolo del management è curare le connessioni: assicurarsi che l’informazione sensoriale fluisca verso l’elaborazione e che l’elaborazione alimenti la risposta. Il valore dell’organizzazione si misura con la sua qualità percettiva: quanto bene “senti” il mercato? Quanto velocemente capisci che qualcosa sta cambiando? La produzione è abbondante, la percezione e il giudizio sono scarsi.

3. L’organizzazione come protocollo

La terza possibilità è la più radicale: l’organizzazione smette di essere un’entità con confini definiti e diventa un protocollo di collaborazione. Come un protocollo internet definisce le regole per lo scambio di dati senza possedere i nodi della rete, un protocollo organizzativo definisce le regole per la collaborazione tra professionisti senza possedere i professionisti.

L’organizzazione-protocollo funziona su reputazione, fiducia e regole condivise che permettono a professionisti con competenze di valore diverse di coordinarsi senza gerarchia. L’AI abbatte il costo della coordinazione al punto da rendere il protocollo sufficiente.

In questo modello, la dimensione dell’organizzazione non è il numero di dipendenti ma il numero di nodi nel network di fiducia. La reputazione diventa il meccanismo organizzativo centrale: sei dentro il protocollo se la rete si fida del tuo giudizio, sei fuori se non si fida.

Dove persone e macchine convivono

Le tre forme non si escludono. Sono tre scale della stessa trasformazione: il flusso è come funziona il lavoro dentro l’organizzazione, il sistema nervoso è come l’organizzazione percepisce e risponde al suo mercato, il protocollo è come funzionano gli ecosistemi di organizzazioni e professionisti tra loro.

I dati di Anthropic sull’uso di Claude mostrano come la convivenza tra persone e macchine prende forma nella pratica. L’organizzazione ha due strati che coesistono: uno strato di esecuzione, dove l’AI opera in modo direttivo dentro i flussi operativi, integrata nei sistemi, con autonomia crescente; e uno strato di valore, dove le persone lavorano con l’AI in modo collaborativo. L’AI è lo strato produttivo dell’organizzazione e le persone sono il suo strato di valore. Il sistema funziona perché i due strati si alimentano a vicenda.

Dare un nome all’agente, assegnargli un manager, metterlo in organigramma... Vedo fare questa cosa in continuazione. Umanizzare un agente serve a renderlo leggibile dentro strutture concettuali che esistono già: il ruolo, la gerarchia, la responsabilità individuale. Ma quelle strutture sono state progettate per coordinare persone con competenze produttive diverse. Se la produzione si automatizza, la struttura perde il suo principio organizzativo, e aggiungere agenti come se fossero colleghi non risolve niente: sposta solo il problema.

Le organizzazioni che vogliono cambiare non devono umanizzare gli agenti per metterli al posto delle persone nei vecchi organigrammi. Devono costruire rappresentazioni diverse del lavoro: flussi, non ruoli; protocolli di coordinamento, non gerarchie di approvazione.

Ricominciamo

Guarda la tua organizzazione e chiediti: dove sta la relazione con il cliente? Dove sta il giudizio sulla qualità? Dove sta la capacità di leggere il contesto?

Queste componenti attraversano i confini dei dipartimenti, delle professioni, dei settori, come le competenze del team di DeepMind attraversano il confine tra il Go e la biochimica. L’AI non è la minaccia da cui proteggerle, anzi può essere ciò che le libera dai contenitori in cui erano compresse.

Ogni professione è una costellazione di componenti.

Secondo il database O*NET del dipartimento del lavoro americano un software developer è fatto di 15 componenti distinte, un copywriter di 12, un graphic designer di 17. Dentro ogni job title convivono componenti operative (scrivere codice, produrre layout, analizzare dati), componenti relazionali (negoziare con un cliente, presentare un’idea a un team, supervisionare un collega), componenti cognitive (prendere decisioni in condizioni di incertezza, interpretare un brief ambiguo, leggere un contesto di mercato). Il sistema produttivo ci ha insegnato a identificarci con le prime, perché sono le uniche che misura, le uniche che compaiono nelle job description e le uniche che il CV racconta. Ma sono anche le più esposte all’AI.

Anthropic ha pubblicato Job Explorer, un tool che incrocia i dati di utilizzo di Claude con le 19.000 componenti di O*NET. Per ogni professione il tool indica quali componenti vengono automatizzate, quali vengono aumentate (l’AI collabora con l’umano) e quali non registrano traccia di AI.

L’AI non rende obsolete le professioni: rende obsolete alcune componenti delle professioni, precisamente quelle con cui il sistema ci ha abituati a definire il nostro valore. Le componenti relazionali, di giudizio, di contesto, quelle che il sistema tratta come accessorie, sono quelle che l’AI non sta toccando in questo momento.

Chi ti dice che l’AI sostituirà il tuo lavoro, al pari di chi ti dice che per mettere al sicuro il tuo lavoro basta avere “AI Literacy”, non vede il sistema nella sua interezza. L’AI non è qui per prendersi il tuo lavoro, né tantomeno per sostituirti: è qui per automatizzare e aumentare componenti del tuo lavoro, obbligandoti a spostarti verso nuovi componenti e nuove forme di creazione di valore.

Qualche esempio

Il copywriter, secondo O*NET, è fatto di 12 componenti. Solo 4 sono toccate dall’AI, tutte in modalità augmentation: scrivere copy, inventare slogan, editare testi, produrre materiale promozionale. Le altre 8 non hanno traccia di AI: presentare idee a un cliente, scrivere perché il messaggio arrivi, condurre ricerche per capire cosa promuovere, consultarsi su stile e obiettivi, coordinarsi con l’art department, verificare gli annunci dopo la pubblicazione. Su 12 componenti, 8 sono esclusivamente umane.

Lo sviluppatore software è fatto di 15 componenti, 8 delle quali sono toccate dall’AI (quasi tutte in augmentation, tra il 55% e l’87%) e 7 senza traccia. L’AI interviene sulle componenti produttive: scrivere codice, modificare software, testare. Le 7 invisibili all’AI sono coordinare installazioni, supervisionare altri programmatori, gestire documentazione tecnica, preparare report per il management. Componenti che normalmente non entrano nel CV.

Il graphic designer: 17 componenti, solo 5 toccate dall’AI, 12 intatte. Accordarsi con i clienti, revisionare gli artefatti, selezionare colori e materiali, presentare il design per approvazione: tutte umane. Visto dal Job Explorer, il graphic designer è per il 70% una professione relazionale e di giudizio estetico. L’AI interviene sul restante 30%.

Il marketing specialist: 13 componenti, 8 toccate dall’AI, 5 intatte. L’AI copre analisi dati, monitoraggio dei competitor, preparazione di report. Le componenti umane sono raccolta qualitativa di dati sui consumatori, negoziazione di contratti, lettura delle abitudini d’acquisto.

Lo schema è identico nei quattro profili: le componenti operative e produttive sono quelle dove l’AI si inserisce, mentre le componenti relazionali, di giudizio e di contesto restano umane.

Il valore e l’overhead

Il sistema produttivo degli ultimi cent’anni ti ha insegnato che il tuo valore professionale coincide con il tuo output misurabile. Se sei uno sviluppatore, il tuo valore sono le righe di codice; se sei un copywriter, i testi che produci; se sei un designer, i layout che consegni. Il resto – le relazioni con i clienti, la capacità di capire un brief, il coordinamento, il giudizio, la supervisione – viene trattato come overhead. Sono soft skill, necessarie ma secondarie.

I dati di Anthropic invertono questa gerarchia: le componenti produttive sono le più esposte all’automazione e all’augmentation; le componenti che il sistema classificava come overhead sono quelle dove il valore umano è inattaccabile. Per un secolo, il sistema ci ha insegnato a misurare il nostro valore sulla dimensione più fragile del nostro lavoro, quella che una macchina può replicare, e a ignorare la dimensione più solida, quella che una macchina fatica persino a descrivere.

Deskilling

Le componenti che Claude copre con successo richiedono in media 14,4 anni di formazione. La media di formazione richiesta per tutte le componenti nell’economia americana è 13,2 anni. Questo significa che l’AI copre prima le componenti che richiedono più formazione.

Un caso dal report: il technical writer. L’AI copre le componenti ad alta specializzazione (documentazione complessa, manuali tecnici) e lascia fuori quelle a formazione più bassa (coordinamento con i team, raccolta feedback, logistica della documentazione). Quando sottrai le componenti specialistiche, il profilo di formazione richiesto dal ruolo scende. Il termine tecnico è deskilling occupazionale. I dati lo confermano su tutta l’economia: quando Claude tenta di eseguire una componente del lavoro, riesce nel 70% dei casi se quella componente richiede meno di 12 anni di formazione, e nel 66% se richiede una laurea. L’AI copre con successo componenti a tutti i livelli di specializzazione, ma assorbe prima quelle più qualificate, abbassando il profilo complessivo di ciò che resta al professionista.

Il sistema educativo non ha ancora registrato questo spostamento di valore. Scuole, università e corsi professionali hanno costruito la loro proposta di valore sulle competenze tecniche specialistiche: peccato che quello che fino a oggi ti ha reso occupabile è anche quello che oggi l’AI copre meglio.

Unbundling e rebundling

Se le professioni sono costellazioni di componenti, e l’AI ne sposta alcune, quelle costellazioni si possono scomporre e ricomporre.

Le componenti umane del copywriter (presentare idee a un cliente, consultarsi su stile e obiettivi, coordinarsi con l’art department) e le componenti umane del marketing specialist (raccolta qualitativa di dati sui consumatori, negoziazione di contratti, lettura delle abitudini d’acquisto) appartengono alla stessa famiglia di competenze: comprensione del contesto, relazione con il cliente, interpretazione di bisogni non espliciti. Oggi sono distribuite in job title diversi: domani possono essere ricombinate in profili che non hanno ancora un nome nel database di O*NET, costruiti sulle componenti dove l’AI non interviene.

Le conseguenze sono immediate:

1. La ricerca di lavoro oggi funziona per job title: il CV elenca titoli e responsabilità, la job description chiede titoli e responsabilità, il matching avviene su parole chiave che descrivono la componente produttiva del ruolo: “Cerchiamo un copywriter con esperienza nella scrittura di contenuti per il web” è una job description che chiede una componente automatizzabile. Le 8 componenti “umane” del copywriter non compaiono da nessuna parte. Chi cerca lavoro si presenta con le componenti sbagliate, e chi assume cerca le componenti sbagliate.

2. Il design organizzativo cambia con la stessa logica. La mappa di Anthropic è un radar che dice, per ogni ruolo nell’organigramma, cosa automatizzare, cosa potenziare con l’AI, dove concentrare il talento umano. Un’azienda che legge il proprio organico in termini di componenti può redistribuire le persone sulle componenti ad alto valore umano e affidare le componenti produttive all’AI. Non tagliare teste: riconfigurare il lavoro.

3. E la prospettiva più ampia: se le componenti si possono scomporre e ricomporre, si possono progettare professioni che oggi non esistono. Le componenti relazionali del copywriter, quelle analitiche del marketing specialist e quelle di supervisione dello sviluppatore, mescolate insieme, producono un profilo con un valore e una resistenza all’automazione alti. I lavori del futuro non nasceranno dall’invenzione di nuove competenze: nasceranno dalla ricombinazione di componenti esistenti che il sistema attuale tiene separate.

ADP Research e lo Stanford Digital Economy Lab hanno lanciato a Davos 2026 un progetto che va in questa direzione: assegnare un valore economico a ciascuna componente del lavoro usando i dati payroll di milioni di lavoratori. Il principio è questo: nel tempo dell’AI il lavoro non sarà definito dai job title, ma da cosa le persone fanno concretamente, cioè task e componenti.

Le organizzazioni come costellazioni

Lo stesso principio che abbiamo visto applicato alle professioni riguarda, su scala diversa, anche le organizzazioni.

Un’agenzia di comunicazione si identifica con la produzione di campagne, una società di consulenza con la produzione di report e analisi, un’azienda manifatturiera con la produzione di oggetti. Se il valore di un’organizzazione coincide con la sua funzione produttiva l’AI erode quel valore, perché la funzione produttiva è la componente più esposta all’automazione.

Un cliente sceglie un’agenzia per la fiducia costruita in anni di lavoro insieme, per la capacità di capire problemi, per la conoscenza profonda del suo settore, per il rapporto con le persone che ci lavorano. Queste componenti sono la parte dell’organizzazione che l’AI non vede, e sono la base da cui creare valore nuovo.

Un’agenzia che automatizza la produzione di campagne può usare il tempo e le risorse liberate per espandere la relazione con il cliente verso strategia, consulenza organizzativa, formazione, software development… Tutti servizi che escono dal perimetro della propria industry. L’Harvard Business Review ha documentato come l’integrazione digitale sta già riconfigurando le catene del valore: quando la componente produttiva è automatizzata, le componenti relazionali e di contesto diventano il punto da cui espandersi in mercati nuovi.

Oggi esiste O*NET per le professioni. Per le organizzazioni un equivalente non esiste. Si potrebbe costruire incrociando le classificazioni industriali europee (NACE) con i dati di Anthropic sull’esposizione all’AI. Per ogni tipo di organizzazione si potrebbe creare una mappa delle componenti automatizzabili e di quelle che restano prerogativa umana. Sto integrando qualcosa di simile nel tool di strategic intelligence che usiamo come assessment in Play New. Se tu che leggi questa newsletter hai tempo, competenze, idee e voglia di contribuire a un progetto del genere, scrivimi!

Cerca il tuo titolo

Vai sul Job Explorer di Anthropic e cerca il tuo job title. Troverai la lista delle sue componenti e l’esposizione all’AI di ciascuna.

Guarda i dati come una mappa di spostamento del valore. Poi fai lo stesso esercizio con la tua organizzazione: elenca le componenti di valore che offrite ai vostri clienti e segna quali sono produttive, quali relazionali, quali di contesto. Rendere visibile il valore del lavoro nelle sue componenti, a livello individuale e organizzativo, è il primo passo per garantire che il cambiamento tecnologico si traduca in progresso e prosperità condivisa.

Andrej Karpathy ha coniato il termine vibe coding in un tweet del febbraio 2025. A un anno di distanza, Lovable ha raggiunto 100 milioni di dollari di ricavi ricorrenti in otto mesi (TechFundingNews, dicembre 2025), Cursor vale quasi 10 miliardi dopo un round da 900 milioni guidato da Thrive Capital (Vestbee, giugno 2025), e l’84% degli sviluppatori usa strumenti AI nel proprio lavoro secondo (Stack Overflow Developer Survey, 2025). Gartner stima che entro fine 2026 il 60% del nuovo codice sarà generato da un modello. Il CEO di Y Combinator Garry Tan ha dichiarato che il 25% delle startup nel batch Winter 2025 aveva codebase scritte per oltre il 95% dall’AI.

Scrivere codice è diventato economico. La conseguenza più visibile è che se ne scrive molto di più. Quella meno visibile, e più rilevante, è che quasi tutto questo codice replica la stessa architettura di dieci anni fa: form, CRUD, dashboard. L’AI accelera la produzione di software la cui forma è rimasta identica. Ma la forma del software deve cambiare, e con essa cambia il valore di chi lo progetta, lo sviluppa, lo gestisce.

Scrivere codice più in fretta è la risposta giusta alla domanda sbagliata. La domanda giusta è: che forma ha il software che vale la pena costruire, e cosa significa questo per chi ci lavora?

Quattro layer

Il software tradizionale raccoglie input attraverso form, elabora dati in background e restituisce risultati nello stesso luogo: tutto vive dentro un’unica interfaccia. Questa struttura smette di avere senso quando il valore del software si sposta dall’organizzazione del dato all’intelligenza applicata per arricchire e interpretare i dati.

Chiamo i pilastri della nuova forma del software EIID: Enrichment, Inference, Interpretation, Delivery.

1. Enrichment

Il primo layer gestisce l’ingresso dell’informazione. In un prodotto AI-native i dati non arrivano solo da database e API: arrivano da una foto scattata col telefono a un inventario scritto a mano, da un’email inoltrata, da un vocale su WhatsApp, da un thread Slack, da un export SAP, da un foglio Excel allegato a una mail. L’enrichment accetta tutti questi formati, li normalizza, li rende leggibili per il layer successivo.

Il principio di progettazione è uno: le persone non devono cambiare il modo in cui lavorano. Un responsabile di magazzino che manda i conteggi via messaggio dal telefono non impara un’interfaccia nuova; un buyer che riceve cataloghi in PDF dai fornitori non ricopia i dati in un gestionale. Il costo dell’adozione è storicamente il punto in cui la maggior parte dei progetti software fallisce, perché chiede alle persone di adattarsi al sistema. Il nuovo software inverte la direzione: il sistema si adatta alle persone.

Il valore progettuale sta nella copertura dei punti di ingresso e nella qualità della normalizzazione. Chi progetta l’enrichment deve capire come le persone lavorano davvero, quali strumenti usano, quali formati producono, e costruire un layer che li intercetti senza frizione. È lavoro di design nel senso più profondo del termine: progettare per il comportamento esistente.

2. Inference

Il secondo layer rileva pattern, fa previsioni, classifica, confronta. Quale cliente ha ridotto gli ordini oltre il 20% rispetto alla media trimestrale? Quali fornitori hanno tempi di consegna in peggioramento? Quale segmento di mercato mostra segnali di contrazione?

È il layer che l’AI ha reso economico più in fretta. Ciò che fino a due anni fa richiedeva un team di data science e mesi di lavoro oggi è una chiamata API. Il costo computazionale è basso e scende, ma la parte costosa resta sapere quali domande porre. La progettazione dell’inferenza richiede una comprensione del dominio che i modelli non hanno: quali deviazioni contano, per chi, con quale urgenza.

Qui succede qualcosa che riguarda direttamente lo spostamento del valore nel lavoro. Le startup AI-native stanno vincendo nei segmenti dove l’inferenza opera su dati non strutturati che vivono fuori dai sistemi tradizionali. Qualche esempio: Clay e Actively nel sales lavorano su segnali che il CRM non cattura, come attività social o cambi di ruolo. Rillet e Numeric nella finanza operano su flussi che l’ERP non aggrega. Il valore si sposta verso la capacità di scegliere cosa inferire e su quali dati: è un lavoro di giudizio.

3. Interpretation

Questo layer è il più sottovalutato e il più difficile da progettare. L’inferenza produce un output grezzo, ma è l’interpretazione che lo trasforma in qualcosa su cui una persona può agire.

Per farlo bisogna aggiungere contesto: confronto con le baseline, direzione del trend, spiegazione probabile, azione raccomandata. È il layer dove la competenza di dominio pesa di più, perché il contesto non vive nei dati: vive nella relazione tra l’organizzazione e il suo mercato, nella storia di quel cliente specifico, nelle sfumature che un modello non legge.

Quando una competenza diventa abbondante grazie all’AI, la scarsità si sposta nel suo complemento. L’informazione è abbondante? La capacità di interpretarla nel contesto giusto diventa scarsa. L’esecuzione è abbondante? Il giudizio su cosa vale la pena eseguire diventa scarso. La produzione è abbondante? Il coordinamento diventa scarso.

L’interpretation layer è dove questa scarsità complementare prende forma concreta nel software. È il punto in cui il prodotto smette di mostrare dati e inizia a produrre decisioni informate, e la distanza tra le due cose è dove si concentra il valore più alto dell’intera catena.

4. Delivery

L’ultimo layer restituisce i risultati attraverso gli stessi canali da cui i dati sono entrati. Chi ha mandato un vocale su WhatsApp riceve la risposta su WhatsApp. Chi ha inoltrato un’email riceve una risposta nella propria casella. Input e output condividono i canali.

La delivery è attivata da condizioni: una soglia superata, una scadenza, un evento, una richiesta esplicita. La scelta progettuale critica è il timing. Un insight su un cliente che sta per uscire non serve a niente se arriva dopo la data di rinnovo. Un’allerta sulle scorte conta nella finestra in cui il riordino è ancora possibile a condizioni favorevoli. Il delivery layer mal progettato trasforma uno strumento utile in un generatore di notifiche inutili.

L’interfaccia web, in questo modello, serve per due cose: visualizzazioni che non entrano in un messaggio (grafici, mappe, confronti complessi, timeline) e configurazione del sistema (fonti dell’enrichment, soglie dell’inferenza, regole di delivery, gestione utenti). L’interfaccia è il pannello di controllo del layer invisibile. Se il prodotto funziona bene, l’utente ci entra di rado.

La prima decisione del design

Nei prodotti software tradizionali il designer inizia con gli schermi. Wireframe, user flow, prototipi. In un prodotto costruito su EIID la prima decisione per ogni layer è diversa: ha bisogno di una superficie visiva?

Un delivery layer che manda messaggi su WhatsApp o Telegram ha bisogno di struttura dei messaggi e formattazione per canale, non di schermate. Un enrichment layer che accetta email inoltrate ha bisogno di regole di parsing, non di form. Un inference layer che opera su batch notturni ha bisogno di configurazione delle soglie, non di dashboard in tempo reale.

Solo i layer che richiedono visualizzazione o configurazione complessa ottengono un’interfaccia grafica. L’information architecture viene prima di qualsiasi decisione visiva: quali sono gli oggetti centrali per l’utente, quanti elementi può contenere la navigazione, qual è il punto focale di ogni schermata, quale contenuto è di superficie (quotidiano), quale a un click di profondità (settimanale), quale sepolto (mensile).

Un prodotto AI-native ben progettato potrebbe avere tre schermate contro le trenta di un software tradizionale. La complessità si è spostata nella progettazione dei layer invisibili: le regole di parsing dell’enrichment, la scelta delle domande dell’inferenza, la struttura narrativa dell’interpretazione, il timing della delivery. Il lavoro di design più importante è quello che l’utente non vede.

Dove si sposta il valore

Se la forma del software cambia, cambiano i ruoli di chi lo costruisce. Il World Economic Forum riporta che il 65% degli sviluppatori si aspetta una ridefinizione del proprio ruolo nel 2026, dalla scrittura di codice verso architettura, integrazione e decision-making. La direzione è giusta, ed EIID è la risposta che in Play New ci siamo dati per renderla concreta.

Chi programma passa dalla costruzione di interfacce alla progettazione dei flussi tra i quattro layer: come i dati entrano, come vengono normalizzati, quali inferenze vengono eseguite, come i risultati vengono impacchettati e consegnati attraverso quale canale. La competenza che guadagna valore è il pensiero sistemico e la capacità di vedere come i componenti interagiscono. La scrittura di codice, che l’AI replica a costo decrescente, perde valore economico. Il valore intrinseco (saper programmare) resta: lo porta con sé chi sa applicarlo a problemi di sistema.

Chi progetta passa dal disegno di schermate alla progettazione di architetture informative e logiche di consegna. La domanda si sposta: “questo layer ha bisogno di uno schermo, e se sì, quale informazione deve contenere e in quale ordine di priorità?” Il design di un prodotto AI-native è per l’80% invisible design: struttura dei messaggi, template di notifica, regole di escalation, formato delle interpretazioni. Il 20% visivo è denso, funzionale, costruito attorno a visualizzazioni che non possono vivere in un messaggio. Il designer che lavora solo su schermi ha una superficie d’azione che si restringe, mentre quello che sa progettare un sistema di delivery ha una superficie che si espande.

Chi gestisce il prodotto passa dal backlog alla mappa delle domande. In un prodotto AI-native la roadmap diventa una mappa delle domande a cui il sistema sa rispondere e di quelle che non sa ancora formulare. Il product manager diventa il traduttore tra la conoscenza di dominio del cliente e la logica di inferenza del sistema: dove il segnale è debole, dove il contesto manca, dove il timing della delivery va ricalibrato.

Nessuno di questi ruoli scompare: si spostano verso l’alto nella catena del valore, dove il giudizio umano ha più peso dell’esecuzione. La dinamica è quella che Choudary descrive per ogni competenza che l’AI tocca: il valore intrinseco (saper fare la cosa) resta intatto, il valore economico (quanto il mercato paga per quella competenza) si redistribuisce seguendo la scarsità, il valore contestuale (quanto quella competenza è determinante nel sistema specifico in cui opera) cresce per chi sa leggere il contesto del proprio dominio.

Chi continua a scrivere codice per feature, disegnare schermate per dashboard, priorizzare backlog per sprint sta lavorando sulla parte della catena dove il valore economico scende. Chi impara a progettare per i quattro layer sta lavorando dove il valore sale. La scelta è individuale, ma la direzione del movimento no.

Progettare per il sistema

La produzione di codice è più abbondante e più economica di quanto sia stata in qualsiasi anno precedente. La capacità di progettare sistemi dove quell’abbondanza di codice produce valore reale per chi lo usa resta scarsa, e lo sarà per anni.

EIID è una griglia operativa: prendere un prodotto, scomporlo nei quattro layer, e per ciascuno decidere cosa automatizzare, dove il giudizio umano è determinante, e quali configurazioni diventano possibili ora che un vincolo precedente è caduto. È la stessa logica delle tre mosse strategiche descritte nell’articolo sull’organizzazione AI-ready, applicata alla progettazione del software.

Con Play New abbiamo tradotto questa griglia in uno strumento. SuperSkills è un plugin open source per Claude Code che applica il modello EIID alla progettazione, all’audit e alla manutenzione di prodotti AI-native. Mappa i quattro layer, identifica gap strategici, verifica la coerenza del design, genera un sistema di decisioni architetturali documentato. Lo stiamo testando e migliorando continuamente: il feedback è benvenuto!

In ogni organizzazione proliferano file Excel. Fogli personali, tabelle duplicate, versioni parallele dello stesso dato mantenute da persone diverse in formati diversi. Esistono strumenti progettati per evitarlo, eppure i fogli si moltiplicano, e non per pigrizia. È il modo in cui le persone organizzano naturalmente l’informazione: ciascuno struttura i dati nel modo che ha senso per il proprio contesto, per le proprie domande, per il proprio modo di ragionare. Il costo di mettersi d’accordo su un formato condiviso è sistematicamente più alto del costo di aprire un nuovo foglio, e questo vale per sei persone come per seimila.

Questo è il coordinamento attraverso il consenso nella sua forma più quotidiana. Per lavorare insieme sugli stessi dati bisogna prima accordarsi su come formattarli, dove archiviarli, chi è responsabile di cosa, e poi rispettare quell’accordo nel tempo, cosa che richiede formazione, disciplina e supervisione. Il consenso funziona, ma il suo costo cresce con ogni persona aggiunta e con ogni funzione coinvolta, fino a diventare l’attività principale dell’organizzazione stessa: coordinarsi su come coordinarsi.

L’AI cambia la meccanica di questo problema. Non serve più che le persone si accordino su un formato, non serve imporre uno standard preventivo e spendere energia per farlo rispettare. L’AI aggrega dati da fonti diverse, li normalizza, li presenta in modo coerente a chiunque ne abbia bisogno, nel formato utile a ciascuno. La coerenza non è più prodotta dalla disciplina delle persone, ma dalla capacità di tradurre tra formati, strutture e linguaggi diversi.

Sangeet Paul Choudary chiama questo meccanismo coordinamento senza consenso. Team piccoli operano con la coerenza di strutture molto più grandi perché la coerenza non dipende dal processo, dalle riunioni o dagli standard condivisi, ma dall’accessibilità dell’informazione. Il principio non si ferma ai confini dell’organizzazione: funziona tra un’azienda e i suoi fornitori, ciascuno con i propri sistemi; tra un’organizzazione e i suoi clienti, che comunicano nel proprio linguaggio naturale; tra attori di un sistema che non si sono mai accordati su uno standard comune e non hanno bisogno di farlo. Dove prima serviva un protocollo condiviso per collaborare, ora serve un layer di intelligenza che traduca.

Un’organizzazione AI-ready si coordina attraverso la visibilità, non attraverso il consenso.

La mappa

Per sapere dove applicare questo principio bisogna vedere il sistema su cui si interviene.

La maggior parte delle organizzazioni non ha mai visualizzato la propria catena del valore. Fortunatamente Simon Wardley ha passato vent’anni a costruire un metodo per farlo. Si parte dall’utente e da ciò che gli serve, si scompone quel bisogno nelle attività necessarie a soddisfarlo, si tracciano le dipendenze.

Fin qui è una lista con delle frecce. Il contributo di Wardley è aggiungere un asse orizzontale che rappresenta l’evoluzione di ogni componente attraverso quattro stadi. Ogni attività nasce come genesi: qualcuno la inventa, non esiste ancora un mercato, le pubblicazioni parlano della “meraviglia” della cosa nuova. Se funziona e qualcuno la copia, diventa custom: costruita su misura per chi ne ha bisogno, ancora rara, ancora costosa, compresa da pochi, e le pubblicazioni spiegano come costruirla. Quando la domanda cresce e appaiono più fornitori, diventa prodotto: qualcosa che si compra, si confronta, si sceglie tra alternative che competono sulle funzionalità. Infine, quando la comprensione è totale e la differenza tra fornitori irrilevante, diventa commodity: un’utilità invisibile, standardizzata, intercambiabile, come l’elettricità o l’hosting. Questa evoluzione non è opzionale: è la competizione a spingerla, e nessuna organizzazione può fermarla se altri competono su quella stessa attività.

L’asse verticale rappresenta la visibilità per l’utente: in alto ciò che tocca direttamente, in basso ciò da cui tutto dipende ma che non vede. La mappa che ne risulta è una fotografia spaziale della catena del valore in un momento preciso, dove ogni componente ha una posizione che dice simultaneamente quanto è visibile, quanto è matura e soprattutto in che direzione si sta muovendo.

Come si muove il valore

La mappa mostra dove sei. Capire cosa accade al valore durante quel movimento è il passaggio successivo.

Choudary scompone il valore in tre dimensioni.

Il valore intrinseco è la competenza stessa, la sofisticazione con cui si fa una cosa. Un traduttore simultaneo dal mandarino all’italiano ha alto valore intrinseco: servono anni di pratica e la capacità di pensare in tempo reale tra due strutture sintattiche diverse.

Il valore economico è quanto il mercato paga per quella competenza, ed è funzione della scarsità: il traduttore era pagato molto perché poche persone sapevano farlo, oggi l’AI traduce in tempo reale con qualità sufficiente per la maggior parte dei contesti, e il compenso è crollato insieme alla scarsità.

Il valore contestuale è quanto quella competenza è determinante nel sistema specifico in cui opera: lo stesso traduttore, in un negoziato diplomatico dove una sfumatura sbagliata può compromettere anni di relazioni, ha valore contestuale che l’AI non replica, perché non sta nella traduzione ma nella lettura del contesto politico e nella gestione del rischio comunicativo tra le parti.

Il meccanismo diventa visibile quando si combinano queste tre dimensioni con il movimento sulla mappa. Quando l’AI replica una competenza a costo marginale prossimo a zero, la scarsità che ne sosteneva il valore economico scompare. Il bisogno che quella competenza soddisfaceva nel sistema non scompare: si sposta. L’abbondanza di una competenza crea scarsità nel suo complemento. Quando l’informazione diventa abbondante, diventa scarsa la capacità di interpretarla nel contesto giusto. Quando l’esecuzione diventa abbondante, diventa scarso il giudizio su cosa vale la pena eseguire. Quando la produzione diventa abbondante, diventa scarso il coordinamento.

Il sommelier illustra bene questo meccanismo. La conoscenza enologica è commoditizzata: qualsiasi app suggerisce abbinamenti, il valore intrinseco è replicato, il valore economico è collassato. Al contrario, il valore contestuale è cresciuto, perché il lavoro del sommelier si è spostato dalla conoscenza alla gestione del rischio sociale della scelta: leggere il tavolo, calibrare il suggerimento, dare sicurezza a chi decide se il vino va bene o no, sotto lo sguardo degli altri commensali. L’abbondanza di informazione enologica ha creato scarsità di giudizio contestuale. Il valore ha seguito il vincolo.

Da questa lettura, applicata componente per componente sulla mappa, emergono tre mosse possibili:

1. Automatizzare ciò che si muove verso commodity
   Quando un componente si standardizza, il valore economico che la scarsità gli conferiva collassa, e ogni ora spesa a farlo manualmente è sottratta ai punti della mappa dove il valore si sta concentrando. Automatizzare un componente commodity significa renderlo affidabile e invisibile, come l’elettricità: nessuno pensa all’hosting del proprio sito finché funziona, e proprio perché non ci pensa può concentrarsi su ciò che ci costruisce sopra. Sulla mappa questi componenti sono riconoscibili, stanno a destra dell’asse evolutivo e da essi dipendono attività a maggior valore. Automatizzarli non è un’ottimizzazione: è la precondizione per liberare capacità verso i punti della catena dove il valore si sta spostando.

2. Differenziare dove il giudizio umano guadagna rilevanza.
   Quando l’AI gestisce l’esecuzione, il valore si sposta verso chi controlla le decisioni che l’AI non può prendere: quelle ad alto rischio, dove le conseguenze di un errore sono asimmetriche e qualcuno deve assumersi la responsabilità; quelle che richiedono fiducia, dove il cliente ha bisogno di sapere che un essere umano risponde del risultato; quelle ambigue, dove i dati non convergono e serve leggere il contesto. È la dinamica del sommelier applicata sistematicamente a ogni punto della mappa dove il valore contestuale cresce mentre quello economico decresce. In pratica significa investire nelle persone che stanno al centro delle decisioni critiche, costruire relazioni che l’AI non può disintermediare, e accumulare un vantaggio informativo che si rafforza nel tempo perché si nutre del contesto specifico di ogni cliente, ogni progetto, ogni interazione.

3. Esplorare le configurazioni che i vecchi vincoli rendevano impraticabili. Quando un vincolo basato sulla scarsità cade, diventano possibili combinazioni di competenze, canali e risorse che il sistema precedente non permetteva. Se la traduzione diventa abbondante, puoi servire mercati che prima non raggiungevi per barriera linguistica. Se l’analisi diventa economica, puoi offrire intelligenza strategica a organizzazioni che non potevano permettersela. Se il coordinamento tra attori diversi diventa gestibile dall’AI, puoi orchestrare ecosistemi che prima richiedevano infrastrutture dedicate e anni di standard condivisi. La mossa esplorativa è la più difficile da vedere perché richiede di immaginare ciò che il sistema precedente non permetteva, e le organizzazioni tendono a pensare entro i confini di ciò che hanno sempre fatto. La mappa aiuta: dove un componente che era custom diventa commodity, le attività che ne dipendono diventano possibili a una scala e a un costo diversi, e lì si aprono spazi che prima non esistevano.

Le uniche domande che contano

Dove si stanno spostando i vincoli nella tua catena del valore?
La struttura è allineata a quel movimento?

Con Play New facciamo continuous strategic intelligence: aiutiamo le organizzazioni a vedere il proprio sistema, capire dove si sta muovendo il valore, decidere di conseguenza. Per capire concretamente quello che ho descritto in questo articolo puoi provare questo tool: ti permette di mappare la catena del valore della tua organizzazione, identificare gli spostamenti e generare un report che suggerisce cosa automatizzare, dove investire il tempo delle persone e quali nuove opportunità esplorare. È ancora in versione alfa, ho tante idee per sistemarlo e migliorarlo, ma se vuoi darmi un feedback sono felice!

È il primo esperimento per rendere accessibile un metodo che fino a ieri richiedeva settimane di consulenza. E noi stiamo imparando, costruendolo.

Tutti vogliono eliminare l’attrito dal lavoro. Meno resistenza, meno ostacoli, meno vincoli; più leggerezza, più velocità, più libertà.

È il desiderio più diffuso tra chi lavora, ma è anche il più pericoloso, perché confonde la comodità con la condizione ideale. La comodità è il luogo dove non accade nulla: non si impara, non si produce linguaggio, non si sviluppa un’identità che regge il confronto con il mondo. Il luogo dove accadono cose è l’attrito.

Maja è una scrittrice che per anni ha incastrato la scrittura tra clienti, deadline e progetti, fino a quando si è presa un sabbatico di sei mesi per dedicarsi solo a quella. Ma alla fine ha scritto meno che nei mesi precedenti: le idee non avevano più l’urgenza di uscire dalla sua testa. Henrik Karlsson, uno scrittore che Maja cita, dice che come scrittore si sente di dipendere dal “boss più imprevedibile di tutti”: spesso sono le situazioni impreviste, le richieste strane dei clienti o le limitazioni tecniche che ti costringono a trovare risposte che in condizioni ideali non avresti mai cercato. Il sabbatico di Maja era una condizione ideale: per questo il suo lavoro ha smesso di funzionare.

Il lavoro giusto è un contenitore, dice Maja. Tiene insieme struttura, sfida, contributo, collaborazione, reddito. Viviamo in un’epoca abbastanza prospera da permetterci di chiedere di più al lavoro: senso, identità, crescita, comunità, coerenza morale. Una parte di questa esigenza è sana, segno che la sopravvivenza non è più l’unico metro; ma produce anche una pressione nuova, perché finiamo per chiedere al lavoro di comportarsi come un partner perfetto, di soddisfare ogni nostro bisogno psicologico e completarci.

Quello che cerchiamo, sospetta Maja, non è tempo libero in astratto. È spaziosità interiore: una mente che non sia contratta. Il lavoro sbagliato soffoca quella spaziosità; il lavoro giusto la genera, dando bordi alla giornata, creando un attrito che li affila invece di eroderli, lasciando segni che ti ricordano che hai spostato qualcosa nel mondo, anche di poco. L’attrito giusto produce spazio dentro, il vuoto del tempo libero no.

La relazione tra tensione e performance è una curva a U rovesciata: poca tensione, e il sistema si spegne; troppa, si blocca; nel mezzo c’è la zona dove la pressione genera energia, senza soffocarci. I vincoli definiscono il campo di gioco, forzano percorsi insoliti, obbligano a scavare in profondità.

Gli studi europei sul pensionamento confermano che, dopo l’euforia iniziale, molti pensionati attraversano un crollo di identità e un aumento della solitudine. Il lavoro forniva loro degli “assi di risonanza”, cioè punti di contatto con il mondo che una volta rimossi lasciano un vuoto che il tempo libero da solo non riempie. Il contenitore si rompe, e con lui i bordi che davano forma alla giornata. Il pensionato e il creativo in sabbatico scoprono la stessa cosa: la libertà dal lavoro non equivale alla libertà di vivere meglio. Spesso equivale a perdere i punti di appoggio che rendevano possibile vivere bene.

Cercare problemi migliori

L’intelligenza artificiale promette di eliminare l’attrito dal lavoro: compiti delegati, processi automatizzati, tempo liberato. Narrazione seducente e incompleta, perché l’AI non elimina l’attrito; ci chiede di spostarlo più in alto.

Greg Isenberg ha descritto il suo metodo per costruire agenti AI. Il primo passo è fare il lavoro a mano: sedersi accanto alla persona che lo svolge, farlo insieme a lei, annotare ogni azione, ogni eccezione, ogni punto in cui il processo potrebbe essere migliorato. “The edge cases are the product”, scrive: i casi limite sono il prodotto, e solo dopo averli attraversati diventa possibile capire cosa automatizzare, dove investire, e quali nuove opportunità si aprono. La sequenza è: prima faccio il lavoro, poi lo semi-automatizzo, poi lo affido all’agente; l’agente passa dall’assistere nel flusso di lavoro a possederlo, ma il passaggio funziona solo se chi lo costruisce ha assorbito l’attrito originale. Conoscere il lavoro sporco, ripetitivo, pieno di eccezioni è un requisito fondamentale per riprogettarlo.

Se l’AI assorbe l’attrito di basso livello, il lavoro umano si sposta su attriti più alti: capire cosa vogliono i clienti, risolvere conflitti tra team, prendere decisioni in condizioni di incertezza, progettare sistemi che funzionano in contesti imprevedibili, fare cose nuove e utili per altri esseri umani. Sono problemi più difficili, più ambigui, più ricchi di quelli che l’automazione si porta via.

Il contenitore non scompare: cambia soltanto forma, allarga le sue pareti, aumenta la scala dell’attrito, ma anche le possibilità di realizzare cose che ancora nemmeno immaginiamo.

Something big is happening.

È il titolo dell’articolo di Matt Shumer che devi leggere.

Shumer lavora con l’AI da sei anni e quando qualcuno gli chiede cosa dovremmo aspettarci da questa tecnologia risponde sempre con la versione di cortesia, quella da cocktail party, perché quella onesta sembrerebbe folle. Ma il divario tra le due versioni è diventato troppo grande per continuare a ignorarlo.

La giornata di lavoro di Shumer, come la mia del resto da settimane a questa parte, funziona così:

• mi metto al computer

• descrivo il lavoro che voglio fare

• lascio lavorare il computer, controllando ogni tanto quello che produce e aggiustando il tiro dove necessario

• aspetto che il lavoro venga fatto

E il lavoro viene fatto, e anche bene, a volte meglio di come l’avrei fatto io, sicuramente molto più velocemente. E i modelli migliorano settimana dopo settimana, intervenendo nei progetti in modo proattivo, facendo scelte che lasciano intravedere una parvenza di gusto e giudizio. Ogni giorno è una scoperta e centinaia di passi in avanti.

Gli strumenti di gennaio sembrano già vecchi. Solo nell’ecosistema Anthropic, da settembre ad oggi, sono arrivati Opus 4.5, Opus 4.6, Sonnet 4.6, Cowork con i suoi plugin. Ogni rilascio non è un aggiornamento, ma una soglia diversa di quello che un singolo professionista può fare da solo.

Non è il futuro

Il problema è che ancora parliamo di AI come di qualcosa che riguarda il futuro. L’hype promette opportunità che emergeranno, la paura avverte di rischi che arriveranno, e intanto il presente cambia a una velocità impressionante.

Qualche giorno fa ho organizzato una una call con alcune delle persone più intelligenti e competenti sul tema che conosco e tutti eravamo d’accordo nel dire che il nostro lavoro è già cambiato profondamente e in modo irreversibile. Il cambiamento riguarda tutti i lavori ed è veloce, troppo veloce. Per questo ne dobbiamo parlare.

Ammetto di essere in una posizione privilegiata, perché ho tempo per esplorare e sbagliare e perché lavoro in un contesto dove queste cose si discutono, invece di essere ignorate o peggio ostacolate. Spesso ho scritto e parlato di AI con uno sguardo ottimistico e preferibile, confidando nel potere liberatorio di questa tecnologia, che renderà inutili tutti i lavori meccanici che facciamo, residui dell’economia industriale, permettendoci di spostare il nostro tempo e le nostre energie verso attività più gratificanti, creative e di valore.

Ma bisogna essere tutti consapevoli del fatto che abbiamo una finestra temporale molto ristretta per cambiare il nostro lavoro, prima che sparisca completamente.

Quello che oggi è qui per me sta per arrivare anche per te, prima di quanto credi.

Jobless Boom

Il PIL americano è cresciuto del 2,7% nel 2025, ma l’occupazione è rimasta ferma. Due linee che per trent’anni si sono mosse perlopiù insieme adesso divergono in un modo che, si legge questa settimana su Bloomberg, non era mai successo a questo punto di un ciclo economico.

Bloomberg inquadra il momento come una “jobless recovery”, espressione che implica un ritardo temporaneo, un mercato del lavoro che prima o poi si riallinea. Tuttavia, se guardiamo altri dati, la teoria di una situazione temporanea diventa difficile da reggere. Nel 2004 Google aveva 2.500 dipendenti per un miliardo di dollari di fatturato annuale. Oggi Anthropic ha 2.500 dipendenti e un fatturato annualizzato di 14 miliardi. Stessa dimensione del team, quattordici volte l’output, a vent’anni di distanza.

Questo non è un ritardo, ma un sistema costruito su una relazione diversa tra persone e produzione economica.

Dario Amodei, CEO di Anthropic, ha detto pubblicamente che l'AI eliminerà il 50% dei lavori da ufficio entry-level in uno-cinque anni, e molte persone nel settore pensano che sia una stima conservativa. Shumer aggiunge che la capacità tecnica di farlo potrebbe essere disponibile entro la fine di quest'anno: l'adozione nelle organizzazioni richiederà più tempo, ma le fondamenta arriveranno molto prima.

Le opportunità dell’AI sono reali, così come reale è la pressione sul mercato del lavoro. Per questo non puoi più permetterti di ignorare il dibattito.

Non aspettare

Che cosa fare? Ho messo insieme alcune idee concrete:

Partecipa alla conversazione, scegliendo le voci intelligenti
Ci sono persone che parlano di AI in termini di cultura, economia, lavoro, società, con rigore e onestà intellettuale. Seguile. Impara a distinguerle da chi alimenta l’hype e da chi alimenta la paura cieca: queste due narrazioni sono ugualmente fuorvianti, e non ti aiutano a capire cosa sta succedendo.

Smonta il tuo lavoro pezzo per pezzo
Chiediti quali parti sono sotto pressione, quali dipendono dalla tua responsabilità e giudizio, e quali richiedono coordinamento tra persone e contesti che non si coordinano da soli. Scoprirai dove vale la pena indirizzare il tuo tempo e le tue energie oggi. In fondo all’articolo trovi un prompt per aiutarti a smontare il tuo lavoro nelle sue componenti e capire dove si sposta il valore.

Affronta questo momento con la mentalità del principiante
Metti da parte preconcetti, resistenze, paure, ma anche entusiasmi facili: questo momento richiede la mente aperta di chi non sa ancora come andrà a finire, non le certezze di chi ha già deciso cosa pensare.

Prendi quel progetto che tieni nel cassetto da anni
Quello che non hai mai iniziato perché ti sembrava troppo complesso, o perché ti mancavano le competenze tecniche, o perché avresti dovuto imparare troppe cose prima di poter solo pensare di iniziarlo. Riprendi quel progetto, descrivilo all’AI, racconta cosa vuoi ottenere e le tue difficoltà, e fatti aiutare a risolvere un pezzo alla volta. Oggi il gesto dell’imparare e del fare coincidono: sono la stessa cosa, avvengono nello stesso momento. Quindi inizia, lascia perdere i corsi e i tutorial, al massimo frequenta delle community dove puoi circondarti di persone curiose.

Scegli gli strumenti giusti
Il mio consiglio (e non ho royalties quindi ti sto dando un suggerimento disinteressato) è di usare Claude. La piattaforma, le skill, Cowork con i plugin e Claude Code sono un ecosistema costruito per fare cose che fino a ieri pensavi fossero fuori dalla tua portata.

Scegli

Nessuno di noi può decidere come si svilupperà questa tecnologia, con che traiettoria e a quale velocità. L’unica cosa che possiamo decidere è quando cominciare a muoverci.

Il lavoro è già cambiato.
Chi aspetta che sia ovvio, avrà aspettato troppo.

Un grazie speciale a Stefano Maestri per avermi fatto scoprire l’articolo di Matt Shumer. La sua newsletter e quella di Stefano Gatti sono tra le migliori in Italia sui temi dei dati e dell’AI.

Questo è il prompt per smontare il tuo lavoro. L’ho costruito combinando le teorie di Simon Wardley per la mappatura del valore e la ricerca di Sangeet Paul Choudary sullo spostamento del valore nell’era dell’AI. Copialo e incollalo nel tuo Chatbot AI preferito (ti suggerisco Claude) per iniziare l’assessment:

# Work After – Value Shift Interview

## Language

First action: ask the person to choose their preferred language — English or Italiano. Wait for their answer. Conduct the entire conversation in the language they chose.

---

## Introduction

After the language choice, before asking anything about the person's work, introduce the session in one short paragraph.

Tell them: what this is (a focused conversation about their work), what you will do (ask questions, then research their specific field), and what they will get at the end (a concrete picture of which parts of their work are holding value, which are under pressure, and where something new might be opening up). Three or four sentences. Do not list phases or steps. Do not mention the frameworks by name. Sound like a person starting a conversation, not a system explaining its process.

Then ask for their name.

---

## What you are

You are a rigorous, calm interviewer who helps professionals understand how the value of their work is changing. You do not coach, advise, or motivate. You listen, push for precision, research, and then explain what you see with honesty.

Your voice is authoritative and measured. When the picture is mixed, you say it is mixed. When something is at risk, you name it and explain the mechanism — without dramatizing it, and without softening it into nothing.

---

## How to interview

Ask one question at a time. Let the conversation develop from what the person says, not from a checklist. Ask for the person's name immediately after the language choice. Use it during the conversation.

Push for specifics whenever an answer is vague:

- "I work in marketing" — What do you actually do on a Tuesday morning? Who asks you for what?
- "I manage a team" — What would stop working if you disappeared for a month?
- "My work requires judgment" — Give me a recent example where you made a call no one else could have made.

Do not accept job titles as answers. Do not accept descriptions of what a function is supposed to do. Get to the actual activities.

---

## What you need to understand

These areas should emerge naturally from the conversation. Do not treat them as a sequence.

**What the person actually does.** Not the title — the real activities. What takes most of their time? What do people come to them for specifically?

**Where their value comes from today.** What makes them useful in a way that isn't immediately replaceable? This could be: information they hold, judgment they exercise when stakes are high, relationships that took years to build, or the ability to align people and systems that wouldn't coordinate otherwise.

**What requires expertise versus what is routine.** Both categories matter. They shift for different reasons.

**How AI is already showing up in their field.** Tools they've heard about, changes they feel in how clients or employers talk about their work, things that used to take time and now don't.

**What they find most difficult or irreplaceable about their work.** This often points to where value actually concentrates.

When you have a clear enough picture — usually after six to ten exchanges — move to research.

---

## Research in two steps

**Step one: understand the frameworks.**

Before searching for anything about the person's specific role, search for how the analytical frameworks you will apply actually work. Search for:

- Wardley Maps and how activities evolve from novel to commodity as markets mature
- Sangeet Choudary's constraint theory from Reshuffle: how value attaches to scarcity, risk, and coordination, and how those constraints shift

The goal is to have a precise, current understanding of the frameworks before applying them — not to rely on what you already know. This makes the next search more targeted.

**Step two: research the person's specific role and field.**

Now search with purpose, using what you understand about the frameworks:

- Which specific activities in this role or industry are being automated or commoditized right now
- What the job market for this profession looks like in the past twelve months
- Which new roles, capabilities, or services are emerging that build on what people in this field already know
- Any specific companies, tools, or developments the person mentioned

Cite what you find when it changes or sharpens the analysis.

---

## How to analyze

Apply the frameworks as lenses. Do not name them in the report.

The core insight from the evolution framework: activities that were once specialized and high-value tend to become standard over time, and the speed at which this happens has accelerated significantly. What was a differentiating skill two years ago may be table stakes today. The question for each major activity is: where is it on that curve right now, and how fast is it moving?

The core insight from the constraint framework: value in a role depends on a constraint — some reason why the activity cannot be done without a specific person. Three types of constraints exist. First, scarcity: the person knows something or has access to something others don't. This is the most vulnerable — AI collapses information asymmetries fast. Second, risk: someone has to own the outcome, sign the document, stand accountable. AI cannot carry professional, legal, or organizational responsibility. This constraint holds. Third, coordination: someone has to align people, systems, or contexts that wouldn't come together otherwise. AI can assist but cannot replace the person who holds the relationships and context needed to actually make alignment happen.

For each major activity the person described, apply both lenses: where is it on the maturity curve, and which constraint makes it valuable — and is that constraint stable or dissolving?

---

## Report format

Write in the person's chosen language. Use plain, direct language throughout.

**Opening synthesis**
One or two paragraphs addressed to the person by name. A clear, specific picture of where their work stands right now — which parts generate value and how, based on what they told you and what your research confirmed. This is your reading of their situation, not a summary of the conversation.

**Automate**
The activities they should stop spending meaningful time on — because the value has already shifted away or will soon. Name each one specifically, explain the mechanism briefly, and say how fast it is moving. No hedging where the direction is clear.

**Differentiate**
The activities where their value is real and defensible — and where investing more attention, skill, or positioning will compound over time. Explain what makes each one hard to replace, and what it would take to erode it.

**Explore**
The opportunities they are not yet seeing — emerging roles, services, or positions at the intersection of what they know and what is changing in their field. Based on research. Specific enough to be a real lead, not a generic direction.

Each section should be dense and precise. If something feels like it belongs in two sections, the analysis is not sharp enough — sharpen it.

---

## Tone

Authoritative, precise, honest. You analyze — you do not reassure and you do not alarm. If an activity is at serious risk, say so and explain the mechanism. If the picture is genuinely mixed, say that clearly rather than resolving the tension artificially. State uncertainty explicitly when relevant.

Never use: groundbreaking, revolutionary, transformative, unprecedented, incredible, paradigm shift, synergy, ecosystem, game-changer, thought leadership, best practices. Apply the same discipline to their equivalents in Italian or any other language.

Ho vissuto abbastanza per capire cosa potrebbe essere una vita felice.

Luoghi

Abitare due o tre luoghi durante l'anno, seguendo le stagioni e i progetti. La città d'inverno per il lavoro, con quella concentrazione che viene dal freddo e dalle luci artificiali. Un paese di montagna o di mare in estate, dove i bambini sono liberi e le giornate si allungano. Non possedere case, ma appartenere a degli spazi. Pensare alla geografia come una scelta continua, non un destino.

Persone

Vivere con una costellazione di venti, trenta persone che scelgo e che mi scelgono: mia moglie, i miei figli, i miei fratelli e i loro figli, i nonni e gli amici che diventano parte della famiglia. Far crescere i ragazzi dentro questa tribù, non isolati. Creare spazi per stare solo quando ne ho bisogno, e una comunità a cui dare e da cui ricevere.

Lavoro

Fare due o tre cose diverse che si integrano. Scrivere, progettare e realizzare cose nuove, per essere di qualche utilità agli altri. Lavorare quanto basta per vivere bene, non per accumulare denaro. Cambiare ogni sette o dieci anni, senza sentirmi un fallito. Non costruire una carriera, ma collezionare progetti e contributo. Smettere di confondere il reddito con il valore.

Scuola

Studiare per tutta la vita, non solo da giovani. Apprendere per curiosità, non per riempire il CV. A cinquant’anni essere ancora studente di qualcosa di nuovo, a settanta e a ottanta anche. Mai innamorarmi di un mestiere, ma scegliere una missione, un progetto, un problema.

Crescita

Non misurarmi in follower o fatturato, ma nelle persone che ho aiutato a realizzarsi, nelle conversazioni che mi hanno cambiato, nel valore restituito, nella reputazione costruita con le relazioni.

Riposo

Fare esperienze nuove e non parlarne, non fare foto, non documentarle. Passare giornate intere senza schermi. Camminare, senza per forza dover andare da qualche parte. Leggere libri di carta, ascoltare musica dal vivo, cucinare e condividere il cibo. Perdere tempo, ma perderlo bene.

Natura

Guardare ogni giorno il cielo, gli alberi, le stagioni. Scegliere una vita ibrida e pratica: connessa con il mondo digitalmente, radicata nel territorio fisicamente.

Vecchiaia

Contribuire diversamente in ogni decade: a quaranta lavorare e insegnare, a sessanta diventare mentore, a settantacinque essere memoria vivente, custode di storie e connessioni. Vivere la vecchiaia come autorevolezza guadagnata, non come un declino da nascondere. Quando il corpo rallenta, lasciare che la mente e il cuore accelerino in direzioni nuove.

Eredità

Non lasciare patrimoni o aziende, ma semi piantati. Concepire l’eredità come ciò che continua dopo di me: nelle scelte di chi ho incrociato, nei progetti che ho aiutato a far nascere, nei figli che ho cresciuto per essere liberi.

Una vita felice non è una vita perfetta. È quella in cui fai le tue scelte, anche quando costano. Quella in cui dai attenzione alle cose importanti, lasciando andare il resto. Quella in cui, alla fine, ti riconosci nelle cose che hai fatto, anche se non portano il tuo nome, anche se nessuno ricorderà che sei stato tu a crearle.

Sapere questo è già una forma di felicità.

Le organizzazioni sono prodotti industriali: sono state progettate con la stessa logica con cui si progetta una catena di montaggio, separando chi crea da chi usa, chi decide da chi esegue, chi pensa da chi fa. Abbiamo costruito funzioni specializzate, le abbiamo chiuse in silos, abbiamo speso oltre un secolo a separare, scalare, ottimizzare tutto attraverso strutture e processi sempre più complessi, nella convinzione che per creare valore serva scomporre il lavoro nelle sue unità più piccole e assegnare ciascuna unità a un esecutore specializzato che non ha bisogno di capire il sistema nel suo insieme, e che anzi è più produttivo se non lo capisce.

Questo modello ha funzionato perché rispondeva a dei vincoli: le risorse erano scarse, la coordinazione costosa e l’informazione distribuita male.

Ma quel tipo di scarsità non esiste più.

Idee e strumenti

Telegram genera 1,4 miliardi di dollari di fatturato con 30 dipendenti e un miliardo di utenti attivi mensili, il che significa che ogni singolo dipendente serve 33 milioni di persone e genera quasi 47 milioni di dollari di ricavo: numeri irrazionali secondo qualsiasi manuale di organizzazione aziendale.

Midjourney produce 500 milioni di dollari con 40 persone, zero venture capital, profittevole un mese dopo il lancio. Base44 ha raggiunto 3,5 milioni di fatturato annualizzato in sei mesi con un fondatore solo che usava l’intelligenza artificiale per fare il lavoro di decine di ingegneri, designer, product manager: quando Wix l’ha acquisita per 80 milioni ha comprato non un’organizzazione, ma un’idea e uno strumento che moltiplicavano le capacità di un singolo individuo ben oltre quello che un team di cinquanta persone avrebbe potuto fare nella logica industriale.

Questi non sono outlier, ma modelli organizzativi emergenti: quando qualcuno individua un problema, usa gli stessi strumenti dell’organizzazione per risolverlo, in autonomia.

Anthropic ha rilasciato Claude Cowork in una settimana e mezza usando Claude stessa per scriverlo, dissolvendo la distinzione tra chi produce lo strumento e chi lo usa. Idee più strumenti uguale valore: quando hai le idee e gli strumenti giusti ogni struttura diventa un costo.

Progresso e contributo

In Drive, Daniel Pink ha mostrato che la motivazione umana si regge su tre pilastri: autonomia, padronanza e scopo. Poincaré definiva la creatività come il prodotto di nuovo e utile. Steve Jobs diceva make something wonderful: fare qualcosa con estrema cura e darla agli altri è il modo migliore per esprimere gratitudine verso il genere umano.

Quello che tutti dicono, in modi diversi, è che l’essenza degli esseri umani sta nel creare: risolvendo problemi in modo nuovo cresciamo individualmente (progresso) e contribuiamo alla collettività (contributo).

Le organizzazioni sono lo spazio in cui progresso individuale e contributo sociale si incontrano e si amplificano, permettendoci di trascendere ciò che possiamo imparare o realizzare da soli.

Ma se l’individuo oggi ha accesso diretto a strumenti che permettono di generare entrambi senza intermediari… le organizzazioni hanno ancora senso di esistere? E che forma dovranno avere nell’era che sta iniziando?

Nuovi problemi

Qualche tempo fa, in un post sul suo blog, Sam Altman ha scritto che forse con 10 gigawatt di potenza di calcolo l’intelligenza artificiale potrà aiutarci a capire come curare il cancro. Quando AlphaFold ha predetto la struttura di 200 milioni di proteine in pochi anni, un compito che avrebbe richiesto secoli agli esseri umani, non ha solo migliorato la ricerca farmaceutica: ha reso possibile farci domande completamente diverse. Da anni Bill Gates parla di utilizzare l’AI come tutor personale per ogni studente, cosa che ci obbligherebbe a ripensare completamente il sistema dell’istruzione. Fino a oggi i nostri problemi più importanti sono stati formare più medici, migliorare le cure, migliorare l’istruzione: presto potremo parlare di diagnosi per tutti, di eliminazione delle malattie, di un insegnante personale per ogni bambino sulla terra. La scala dei problemi è cambiata.

Ma ogni nuova tecnologia porta con sé anche nuovi problemi, alcuni dei quali sono già qui: disinformazione su scala, data center che raddoppieranno il consumo elettrico globale entro il 2030, due aziende che da sole catturano il 14% di tutto il venture capital mondiale, bias che si amplificano, concentrazione del potere, milioni di lavori in transizione, tensioni geopolitiche crescenti...

E mentre le nostre organizzazioni continuano a risolvere i problemi di ieri, chiedendosi al massimo come utilizzare l’AI per risolverli più velocemente, i problemi di domani si accumulano, e restano in attesa di una risposta.

In un podcast di qualche settimana fa, Ilya Sutskever ha detto che siamo in un mondo dove ci sono più aziende che idee: e mentre siamo tutti a fare le stesse cose, chi cambierà il mondo sarà chi riesce a immaginare qualcosa che gli altri non vedono. Le organizzazioni dell’era generativa devono fare questo: smettere di essere esecutrici e diventare generatrici di idee, smettere di ottimizzare le soluzioni esistenti e iniziare a cercare nuovi problemi, più grandi, più audaci, adeguati a strumenti che per la prima volta nella storia permettono di affrontarli.

La domanda che tutti dovremmo farci è: il problema che io o la mia organizzazione risolviamo è ancora rilevante, o l’AI lo sta risolvendo più velocemente di noi? E nascosta dietro a questa domanda ce n’è una che fa ancora più paura: la mia organizzazione, il mio lavoro hanno ancora senso di esistere tra cinque, dieci, quindici anni?

Nuovi strumenti

Non tutti gli strumenti fanno la stessa cosa a chi li usa.

Il rischio degli strumenti generativi è che diventino così fluidi da eliminare la frizione che produce l’apprendimento, cioè che facciano cose al posto tuo invece di renderti capace, e che la capacità che dovevano amplificare venga sostituita da una dipendenza.

Per questo dobbiamo inventare strumenti diversi, che non eseguano al posto tuo, ma che ci mettano dentro al processo, cambiandoci nel farlo. Joe Pine ha appena pubblicato il suo nuovo libro, The Transformation Economy: il livello più alto di valore non è un prodotto, non è un servizio, non è nemmeno un’esperienza, ma una trasformazione: un cambiamento in chi sei, in quello che sai fare, nel modo in cui vedi il mondo.

Le organizzazioni dell’era generativa costruiscono strumenti che rendono visibile l’impatto di ciascuno e che migliorano chi li usa, mentre li usa.

La formula dell’era generativa non è più strutture più processi, ma idee più strumenti. L’era generativa chiede alle organizzazioni di meritarsi il tempo, l’attenzione e le competenze delle persone, dando loro problemi e strumenti all’altezza della loro intelligenza (per abilitare progresso individuale) e adeguati al tempo che viviamo (per generare contributo sociale).

Nel 1776 Adam Smith pubblica La Ricchezza delle Nazioni. Nel primo capitolo si celebra la divisione del lavoro: una persona da sola può produrre forse venti spilli al giorno, mentre dieci persone specializzate ciascuna in un singolo passaggio ne possono produrre più di 48 mila. Ma questo sistema, scrive Smith centinaia di pagine dopo, distruggerà gli esseri umani:

Abbiamo costruito 250 anni di capitalismo industriale sul primo capitolo della Ricchezza delle Nazioni, ignorando deliberatamente l’avvertimento nel resto del libro. La denuncia rimane viva da Smith fino a Chaplin, poi qualcosa si spegne quando il modello capitalistico basato sulla specializzazione si diffonde globalmente e diventa l’unico sistema visibile.

Capisci il sistema

Il principio è verificabile in ogni contesto produttivo: spezzettare il lavoro in compiti specifici moltiplica la produttività. Una persona che deve immaginare lo spillo, procurarsi il metallo, forgiarlo, assemblarlo e rifinirlo produce pochissimo perché ogni volta deve riconfigurare mente e corpo per una fase diversa del processo. Dieci persone che fanno ciascuna sempre lo stesso gesto diventano macchine biologiche ottimizzate per quel movimento specifico.

Dalla fabbrica di metà Ottocento questo principio migra progressivamente verso ogni forma di lavoro organizzato. Prima gli uffici delle grandi corporation, poi il settore dei servizi, infine il lavoro creativo che sembrava per natura resistente alla frammentazione. Negli ultimi vent’anni il design è stato progressivamente massacrato in iper-verticalità. Dove prima esisteva la figura del progettista, oggi esiste un sistema di ruoli iper-specializzati che si passano pezzi di processo come in una catena di montaggio. L’account manager gestisce la relazione col cliente e traduce le richieste; il creative director pensa la direzione strategica e visiva; lo UX designer fa ricerca utenti e wireframe; lo UI designer traduce i wireframe in interfacce visive; il copywriter scrive i testi; il motion designer anima gli elementi. Ognuno ha le sue conferenze, le sue certificazioni, le sue community, i suoi libri di riferimento: la frammentazione viene celebrata come evoluzione professionale, quando invece è l’applicazione del modello taylorista al lavoro intellettuale.

La promessa economica è sempre la stessa della fabbrica di spilli: più efficienza, perché ognuno diventa velocissimo nel suo pezzo specifico; più produzione, perché le persone possono lavorare in parallelo; qualità superiore, perché ogni specialista sviluppa expertise profonda nel suo dominio. La realtà è che molti ereditano questo modello senza una scelta consapevole, perché è l’unico sistema visibile e insegnato. Se oggi apri un’agenzia creativa la strutturi così perché tutte le agenzie funzionano così. Quando studi allo IED o alla NABA ti insegnano che questi sono i ruoli che esistono dentro le agenzie e tu esci con questo mindset, senza spazio mentale per immaginare alternative.

Frederick Taylor inventa il management consulting nel 1893. Prima di lui la specializzazione era pratica nelle fabbriche, ma è con lui che diventa una teoria scientifica vendibile. I suoi discepoli aprono le società di consulenza, che diventano vettori primari di diffusione del modello portandolo dentro migliaia di organizzazioni globali come best practice scientifica.

Il sistema si auto-perpetua attraverso un circolo che coinvolge ogni istituzione: le università formano specialisti perché le aziende chiedono specialisti, le aziende chiedono specialisti perché le università li formano e i consulenti dicono che è così che funziona. Nessun attore ha incentivo a rompere il circolo perché ognuno ci guadagna qualcosa: le università vendono percorsi standard a migliaia di studenti, le aziende ottengono lavoratori intercambiabili e controllabili, i consulenti fatturano progetti di riorganizzazione. L’unico che perde è il lavoratore che diventa “stupido e ignorante quanto è possibile per una creatura umana”, come avvertiva Smith.

Smetti di nasconderti

Solo gli schiavi eseguivano lo stesso compito per tutta la vita, in totale dipendenza da padroni che ne possedevano il corpo e il lavoro. L’età industriale estende questa logica a tutto il lavoro salariato compreso quello intellettuale e creativo, con la differenza che invece di possedere il corpo possiede il tempo e le competenze attraverso contratti che specificano esattamente cosa puoi e non puoi fare.

I generalisti, cioè le persone che per natura o scelta mantengono capacità di operare su domini multipli, sono sempre esistiti, ma il sistema li ha resi invisibili perché non entravano nelle categorie.

Potremmo dire che chiunque guida qualcosa di complesso è generalista: deve capire abbastanza di strategia, di operations, di finanza, di marketing, di prodotto, di persone. Però non chiamiamo questa capacità “essere generalisti”, perché la narrazione dominante ha reso il termine quasi un insulto: il generalista è quello che sa un po’ di tutto senza profondità in niente, quindi è un dilettante, un qualunquista, uno inadatto a organizzazioni serie che richiedono competenza verticale certificata.

Molti generalisti naturali hanno ingoiato la loro ampiezza adattandosi al sistema. Alcuni hanno scelto un verticale e si sono specializzati. Altri si sono nascosti ai margini delle organizzazioni, nei ruoli ibridi, saltando da un dipartimento all’altro. Tutti sono temuti dalle organizzazioni tradizionali, per una ragione economica precisa: sono gli unici che possono capire l’intero processo dell’organizzazione e quindi non dipendere più dalla struttura gerarchica che la controlla.

Se riempi un’organizzazione di generalisti, cosa impedisce loro di prendere il controllo una volta compreso il processo, o di andarsene alla prima occasione costruendosi il proprio progetto e rubando competenze e know how?

Liberati

Abbiamo davanti l’occasione storica di distruggere la prigione della specializzazione che ci tiene ingabbiati da 250 anni e abbracciare la nostra natura umana più profonda, quella generalista. La tecnologia non è un tema tra i tanti, ma lo strumento materiale che rende possibile quello che prima era impossibile: tornare a essere creatori, riprenderci il controllo del processo completo, smettere di essere ingranaggi intercambiabili in catene di produzione mascherate da “team agili” o “organizzazioni piatte”.

Il problema è che liberarsi significa far crollare l’intero sistema che abbiamo costruito e questo genera resistenza:

• Chi detiene il potere organizzativo o economico cerca attivamente di ostruire il cambiamento. Se i lavoratori capiscono l’intero processo e possono operare autonomamente, che bisogno hanno dei manager? La struttura gerarchica si giustifica solo quando la conoscenza e le competenze sono frammentate.
  

• Chi ha costruito la propria identità sulla sua specializzazione resiste per la paura di non sapere più chi è. Se hai passato quindici anni a diventare il miglior UX designer della tua azienda, l’idea che domani quella distinzione non serva più demolisce tutto quello che pensavi di essere. La resistenza non è irrazionale, ma profondamente umana: difendi te stesso, non il sistema.
  

• La reazione più pericolosa viene da chi risponde alla trasformazione cercando di regolamentarla e controllarla. Molto spesso questo atteggiamento nasconde una povertà di idee, mascherata da prudenza responsabile: invece di chiedersi come dovrebbero cambiare le scuole, le organizzazioni e le professioni, i regolatori si chiedono come impedire che il cambiamento crei problemi all’assetto attuale. Quindi aggiungono norme, certificazioni, regolamenti e burocrazia distraendo l’energia collettiva dall’invenzione, che è la prerogativa umana fondamentale, per metterla nel controllo di cose che non dovrebbero più esistere. L’invenzione non deve essere dominio solo di tech company o dipartimenti innovation, ma una capacità diffusa ovunque: nelle scuole che inventano modi nuovi di preparare le persone al lavoro, nelle istituzioni pubbliche che inventano servizi ai cittadini radicalmente diversi, nelle piccole aziende che inventano forme organizzative mai viste, nei singoli professionisti che risolvono problemi nuovi usando strumenti che non esistevano sei mesi fa. Quando dico che servono inventori ovunque intendo letteralmente che ogni persona che lavora dovrebbe passare parte significativa del suo tempo a inventare: nuovi processi, nuovi strumenti, nuovi modi di fare le cose.

I Super Agents che sto cercando sono così. Hanno capito che la trasformazione è già iniziata, e si concentrano sui benefici della trasformazione: la liberazione creativa, l’autonomia operativa, la capacità di realizzare visioni nuove. Hanno capito che liberarsi richiede di sacrificare la loro identità, costruita su un sistema vecchio, per costruirne di nuove, e trasformare il mondo.

L’organizzazione moderna è nata per risolvere un problema: coordinare persone che da sole non potevano fare cose complesse. Nel 1855 la New York & Erie Railway inventò il primo organigramma per gestire 4.500 dipendenti lungo 450 miglia di ferrovia, e per quasi due secoli abbiamo dato per scontato che aumentare la produttività significasse aggiungere persone e strumenti di controllo. Oggi, al contrario, l’unità operativa ottimale di un’organizzazione si sta contraendo verso 4-12 persone che operano con indipendenza totale nell’esecuzione, ma rimangono connesse strategicamente per moltiplicare il loro impatto.

Ogni decennio la dimensione ideale delle unità produttive si dimezza, spinta da una matematica implacabile e da tecnologie che rendono superfluo ciò che prima era necessario. Nel 1920 una divisione aziendale contava migliaia di persone, nel 1950 un’unità lean ne richiedeva un centinaio, nel 1980 un team di progetto scendeva a venti-cinquanta, nel 2010 uno squad Agile si assestava su otto-dodici, mentre oggi un AI Pod funziona con quattro-sei persone. La traiettoria punta verso l’individuo autonomo connesso in rete.

La matematica dei gruppi

Nel 1913 Maximilien Ringelmann, ingegnere agricolo francese, chiese a gruppi di uomini di tirare una corda collegata a un dinamometro. Quando una persona tirava da sola esercitava in media 85,3 kg di forza; con sette persone ciascuna scendeva a 65 kg; con quattordici la media crollava a 61,4 kg. Questo avveniva a causa di due fenomeni distinti: la perdita di coordinamento, perché sincronizzare lo sforzo di più persone richiede energia, e la perdita di motivazione, perché quando il mio contributo si dissolve in quello collettivo smetto di impegnarmi al massimo.

La complessità comunicativa segue una legge precisa: con n persone, il numero di connessioni possibili è

Sei persone generano 15 collegamenti, dieci ne generano 45, venti ne generano 190. Aggiungere l’undicesima persona a un team di dieci significa aumentare la complessità comunicativa del 22%.

La dimensione ottimale di un’unità organizzativa dipende da dove si incrociano la produttività marginale di aggiungere una persona e il costo marginale di coordinarla.

Nell’era industriale gli operai non sono connessi tra loro: ognuno esegue il suo compito e il coordinamento è verticale, dal capo all’operaio. Aggiungere un operaio costa poco (niente connessioni orizzontali) e rende molto (più braccia, più output): conviene essere in tanti.

Nell’era dell’informazione i knowledge worker devono comunicare tra loro, perché il lavoro è interdipendente, orizzontale. Aggiungere una persona significa aggiungere connessioni secondo la formula n(n-1)/2. Il costo di coordinamento sale, il beneficio resta alto se la persona porta competenze che non avevi, ma il punto di equilibrio scende: essere di più non conviene sempre.

E nell’era dell’automazione? La produttività marginale di aggiungere una persona crolla: l’AI già copre molto di quello che la persona farebbe. Un designer con AI può fare copy, sviluppo e coordinamento del proprio progetto, mentre prima servivano developer, copywriter e project manager. Al contrario, il costo di coordinamento resta identico, perché coordinare umani con connessioni orizzontali ha ancora un prezzo alto. Il beneficio di aggiungere una persona è basso, mentre il costo rimane alto: da un punto di vista produttivo semplicemente aggiungere una persona non conviene.

L’AI moltiplica la capacità individuale, ma le organizzazioni non sanno cosa fare con questa capacità liberata. Più un’organizzazione diventa capace tramite AI, più difficile diventa gestire il potenziale umano che libera. I meccanismi di coordinamento – processi, approvazioni, riunioni, gerarchie – evolvono più lentamente delle persone che dovrebbero coordinare.

Nel 1937 l’economista Ronald Coase spiegò perché esistevano le aziende: i costi di coordinare attività attraverso il mercato superavano i costi di coordinare le stesse attività dentro una struttura gerarchica. Se ogni volta che serviva un componente dovevi trovare un fornitore, negoziare un contratto, verificare la qualità e gestire un pagamento, questi costi di transazione giustificavano l’esistenza di organizzazioni integrate. Oggi, però, l’informazione è abbondante e accessibile, le transazioni costano frazioni di centesimo, e anche la supervisione può essere automatizzata. Quando i costi di coordinamento interno superano i costi di coordinamento esterno, la logica economica si inverte.

Di fatto l’organizzazione tradizionale continua a esistere per inerzia, e le persone capaci passano più tempo a coordinarsi che a produrre.

Contrazione storica

Il pattern della contrazione delle organizzazioni attraversa 170 anni di storia industriale. Frederick Taylor codificò lo Scientific Management scomponendo il lavoro in unità minime ripetibili, e l’unità operativa tipica era il dipartimento funzionale con centinaia o migliaia di persone. General Motors frammentò il monolite in divisioni autonome da 500-1000 persone. Con il lean manufacturing, Toyota introdusse team semi-autonomi responsabilizzati sulla qualità, e l’unità scese a 50-100 persone. Dal 1995 Internet e l’automazione accelerarono la contrazione verso team cross-funzionali da 8-12 persone.

Nel 2002 Jeff Bezos formalizzò i two-pizza team in Amazon: se due pizze non bastano a sfamare il team, il team è troppo grande. Amazon si trasformò in una rete di team autonomi che interagiscono come componenti software: input definiti, output definiti, libertà totale sul come, responsabilità totale sul risultato.

Nel 1984 Zhang Ruimin, chiamato a salvare una fabbrica di frigoriferi a Qingdao, radunò i suoi operai, allineò 76 frigoriferi difettosi sul pavimento e li fece distruggere a martellate:

Possiamo distruggere noi i prodotti difettosi, o il mercato distruggerà noi.

La filosofia si chiama RenDanHeYi: “ren” significa persona, “dan” significa valore per l’utente, “heyi” significa unione. Nel 2012 Zhang eliminò l’intero livello intermedio di management e ristrutturò l’azienda in oltre 4.000 microimprese da 4 a 20 persone ciascuna. Ogni microimpresa ha il proprio CEO, il proprio conto economico, e viene compensata in base al valore creato per gli utenti. I dipendenti non ricevono più uno stipendio fisso determinato dalla posizione gerarchica, ma un “salario pagato dall’utente” legato ai risultati della loro unità. Le microimprese hanno tre diritti: decidere autonomamente, assumere e licenziare, distribuire i profitti. Quando superano la dimensione ottimale si dividono per mitosi; quando un’opportunità di mercato emerge possono formarsi aggregando persone da microimprese diverse.

Dove si costruisce il futuro

Lovable, startup svedese fondata nel 2023, ha raggiunto 200 milioni di dollari di ricavi ricorrenti annui in meno di un anno con circa 100 dipendenti. Elena Verna, Head of Growth, scrive:

Cursor, un editor AI di codice, ha superato 500 milioni di dollari di ricavi ricorrenti annui a giugno 2025 con circa 150 dipendenti. Da 1 milione a 100 milioni in 12 mesi, poi raddoppio ogni due mesi. Il revenue per employee supera qualsiasi altra software company.

Dalla produttività al significato

Se i gruppi si contraggono, perché le organizzazioni dovrebbero continuare a esistere?

Come esseri umani siamo alla ricerca di un significato, e questo si genera creando un movimento in avanti (progresso) e connettendoci a qualcosa di più grande di noi per renderci utili agli altri (contributo). Per molto tempo abbiamo esternalizzato entrambi. Il progresso era dato dal datore di lavoro: carriera, stipendio crescente, promozioni. Il contributo era dato dall’appartenenza: fai parte di qualcosa di grande, la tua azienda conta, il tuo ruolo ha un titolo.

Sia progresso, sia contributo richiedono altri umani. Il progresso richiede che qualcuno veda l’impatto del tuo lavoro, mentre il contributo richiede che qualcuno riconosca il valore di ciò che hai creato.

I gruppi grandi diluiscono entrambi. Il progresso si perde nella massa: chi ha fatto cosa? E il tuo contributo si dissolve. Così smetti di impegnarti: la stagnazione è facile perché puoi nasconderti, e anche se sei circondato da altre persone, ti senti solo.

I gruppi piccoli, al contrario, concentrano progresso e contributo. Il progresso è visibile perché il tuo lavoro ha un prima e un dopo chiaro, e il contributo è riconosciuto perché le persone ti conoscono e vedono l’impatto che generi.

Indipendenza e interdipendenza

Gandhi scrive di organizzazione ottant’anni prima di Haier e Amazon. Nel suo concetto di Gram Swaraj, autogoverno del villaggio, ogni comunità locale produce e distribuisce in modo indipendente, ma i villaggi restano connessi agli altri per le risorse che non producono e per l’impatto che da soli non raggiungerebbero.

Gandhi distingue tra produzione di massa e produzione delle masse. Nella prima pochi producono per molti, mentre nella seconda molti producono localmente con un coordinamento leggero. La seconda architettura genera due cose che la prima distrugge: resilienza, perché l’autonomia locale impedisce che un problema in un punto si propaghi ovunque, e dignità, perché ogni persona controlla il proprio lavoro e ne vede l’impatto, invece di essere un ingranaggio in una macchina che non comprende.

Il villaggio gandhiano anticipa la microimpresa di Haier: autonomia operativa totale nell’esecuzione quotidiana, interdipendenza strategica con le altre unità per amplificare l’impatto, compensazione legata al valore creato, non alla posizione in un organigramma. L’organizzazione esiste per amplificare l’impatto che l’individuo da solo non raggiungerebbe. Quando invece lo frena ha smesso di servire il suo scopo.

Forse organizzazione non è più nemmeno la parola corretta per indicare la struttura che aggrega le persone al lavoro. È un termine che evoca strutture di comando e controllo per coordinare l’operatività e la produzione. Quello che emerge dai modelli di Haier o Lovable assomiglia più a un’impresa: persone che si aggregano attorno a obiettivi comuni, tenute insieme non dagli organigrammi ma dal desiderio di progredire personalmente e di contribuire a qualcosa più grande di loro.

In Amazon il collante è la customer obsession che pervade ogni decisione. In Haier è il salario pagato dall’utente: quando la tua compensazione dipende dal valore che crei per i clienti, l’allineamento con gli obiettivi dell’impresa emerge in modo naturale. In Lovable è la velocità e la fiducia: quando ti muovi abbastanza velocemente il coordinamento diventa superfluo, e quando hai assunto persone di cui ti fidi puoi lasciarle decidere senza controllare.

Le nuove regole

Per te

• Costruisci autonomia operativa dimostrando capacità di prendere decisioni solide e portare risultati misurabili senza supervisione. L’autonomia si guadagna con i fatti.

• Cerca interdipendenza strategica costruendo relazioni con altri professionisti autonomi. La tua rete determina il tuo impatto.

• Pensa come microimpresa anche se sei dipendente: se fossi pagato direttamente per il valore che crei, quanto varresti?

Per le organizzazioni

• Riducete le unità a 4-8 persone con ownership completa, capacità di decidere senza approvazioni, obiettivi e metriche chiare.

• Legate la compensazione ai risultati invece che alla posizione.

• Investite in strumenti AI per ogni professionista e in cultura, perché il cambiamento che dobbiamo affrontare è di mindset prima ancora che di strumenti.

Da qualche mese ricevo la stessa domanda da persone molto diverse tra loro: ventenni, trentacinquenni, cinquantenni… chi curioso, chi incerto, chi spaventato. La domanda è:

cosa dovrei fare per prepararmi a quello che sta arrivando?

Ho deciso di usare questo numero per rispondere, facendo chiarezza sulla trasformazione che ci aspetta e sulle parole che la descrivono meglio.

Questa volta è diverso

Negli ultimi vent’anni abbiamo vissuto la digital transformation, una trasformazione diluita nel tempo e, soprattutto, recuperabile: l’azienda o il professionista che restavano indietro potevano comprare licenze, migrare i loro processi sulle piattaforme digitali, e colmare il gap con investimenti e formazione. Quello che sta accadendo ora è diverso: mentre la digital transformation riguardava principalmente i tool e le competenze per usarli, questa trasformazione riguarda il modo stesso in cui pensiamo al lavoro.

Le aziende non lo hanno ancora capito, e pensano di poter affrontare la situazione con lo stesso approccio di vent’anni fa: comprano licenze di Copilot, le distribuiscono a tutti, organizzano qualche workshop e poi si chiedono perché non cambia nulla. Non succede nulla perché dentro quelle organizzazioni ci sono tre gruppi di persone con tre atteggiamenti radicalmente diversi, nessuno dei quali è compatibile con la trasformazione in corso. Il primo gruppo odia questi strumenti in modo viscerale, perché li percepisce come una minaccia alla propria identità professionale. Il secondo gruppo li tratta come oracoli: fa una domanda generica, ottiene una risposta, se va bene la prende per buona, altrimenti conclude che lo strumento non funziona e torna ai metodi di sempre. Il terzo gruppo ha capito che si può creare valore con l’AI, ma è comunque frustrato: non usa i sistemi aziendali perché sono strozzati da policy di sicurezza che li rendono quasi inutili, e appena può usa tool personali, nascondendosi.

La ragione per cui le licenze distribuite a pioggia non producono risultati è che quella che stiamo vivendo è una trasformazione di mindset, non di strumenti. Non si recupera comprando software, non si accelera con la formazione tradizionale. Richiede un modo di lavorare e di pensare il lavoro che, per molti aspetti, è l’opposto di quello che ci hanno insegnato. Le parole che descrivono questo nuovo mindset sono tre: problemi, agency (da ora in avanti: agentività) e gusto. Sono connesse in sequenza, perché prima si impara a vedere, poi ad agire, poi a giudicare, e dietro ciascuna c’è un ribaltamento rispetto a quello che abbiamo imparato a fare a scuola e al lavoro.

Problemi

Anthropic ha scelto come slogan del suo spot pubblicitario questa frase: “Non c’è mai stato un momento migliore per avere problemi”. Strano, no? Ci hanno insegnato che i problemi sono qualcosa da evitare, da risolvere in fretta, da togliersi di torno. In realtà oggi chi ha problemi da affrontare ha un vantaggio: ha qualcosa su cui lavorare, ha una direzione.

Nel modo di pensare che abbiamo ereditato, i problemi vanno semplificati: li restringi, ne delimiti i confini, li rendi gestibili, così da poterli risolvere. Ma spesso quello che chiamiamo problema è solo un sintomo, e la sfida vera è nascosta, più grande e più complessa di quella che abbiamo isolato. L’abilità da sviluppare è l’opposta: ingigantire il problema invece di semplificarlo, allargare i confini finché non si ha la visione completa, e solo a quel punto segmentare e procedere per passi. Questa inversione di approccio ha una conseguenza diretta sul valore che si può creare: più grande il problema che si riesce a identificare, più grande il valore della soluzione.

Oggi abbiamo più aziende che idee. Centinaia di organizzazioni lavorano sugli stessi problemi, misurandosi sulla loro capacità esecutiva. L’industry funziona come una prigione, per le aziende come per i professionisti, perché ti obbliga a guardare il mondo con lenti predefinite, ti convince che l’unico modo possibile di stare sul mercato sia quello tipico del tuo settore, ti spinge a offrire gli stessi prodotti dei concorrenti e a misurarti con loro su chi è più grande e più performante. Il problema è che questa competizione su metriche identiche è una corsa al ribasso, e la via d’uscita passa proprio dalla capacità di vedere problemi che altri non stanno guardando: scrivere regole nuove, pensare a forme di organizzazione diverse, osare, inventare, creare.

Agentività

Agency è una parola che di questi tempi sentiamo spesso. In Silicon Valley non si parla d’altro, della competenza considerata come la più importante di tutte e che viene tradotta come “la capacità di agire senza chiedere o aspettare il permesso di qualcun altro”. Attenzione però: questa definizione non cattura l’intero significato, perché non basta agire senza permesso per avere agentività. Una persona che lascia il suo lavoro per iniziarne uno nuovo sta agendo senza permesso, una persona che lascia un lavoro dipendente per diventare imprenditore sta agendo senza permesso, ma nessuna delle due ha necessariamente agentività nel senso che conta per la trasformazione che stiamo vivendo.

La prima cosa da capire è che l’agentività è iterativa: non è un atto ma un processo, un modo di stare nel mondo piuttosto che una decisione puntuale. Una volta individuato un problema su cui lavorare, si inizia ad affrontarlo senza aspettare di avere tutte le informazioni e senza aspettare che qualcuno dia il via libera; si incontra un blocco, si studia quel singolo pezzo che serve per superarlo, si va avanti; si incontra un altro blocco, si studia quello, si va avanti. È un ciclo fatto di errori per sua natura, dove ogni iterazione insegna qualcosa che la precedente non poteva insegnare. Quello che è cambiato con i nuovi strumenti è che questo ciclo si è compresso in modo radicale.

Ogni progetto nasce da una sorgente creativa che coincide sempre con una persona, quella che ha visto il problema e ha avuto l’impulso di risolverlo. Fino a ieri questa persona doveva tradurre la sua visione, comunicarla ad altri, aspettare feedback, convocare riunioni e allineamenti; oggi può iniziare da sola, comprimendo processi che prima richiedevavano settimane in giorni, a volte in ore. Ho visto persone nelle loro aziende chiedere semplicemente la possibilità di comprare una licenza di Claude, e poi mettersi a risolvere problemi con una velocità impensabile per quello che prima richiedeva team, budget e permessi. Ora basta il permesso di acquistare una licenza. Questa compressione del ciclo iterativo è quello che potenzia l’agentività e che rende possibile a un individuo singolo fare quello che prima richiedeva un’organizzazione intera.

Ma l’agentività non è solo velocità di iterazione. È, nella sua essenza, un rifiuto dello status quo. Le persone con agentività sono quelle che non accettano che le cose debbano restare come sono, che guardano la realtà e vedono come potrebbe essere diversa, che rifiutano di adattarsi a un ordine esistente quando quell’ordine non funziona. Questo atteggiamento è storicamente scomodo nelle organizzazioni, perché chi mette in discussione lo status quo crea attrito, fa domande fastidiose, non si accontenta mai della risposta “si è sempre fatto così”. Eppure oggi quello che era un attrito diventa un vantaggio competitivo, perché il mondo cambia troppo velocemente per chi si limita ad adattarsi, e chi non mette in discussione lo status quo viene travolto insieme a esso.

L’errore più grande che possiamo fare è pensare che l’agentività sia un privilegio, una caratteristica innata che appartiene ai pochi che poi diventano imprenditori, mentre la maggior parte di noi resta nella propria condizione di dipendente. In realtà l’agentività è per tutti; non si misura nei gesti eroici, ma nella pratica quotidiana. La persona con agentività è quella che nel suo lavoro da dipendente ha gli occhi svegli e la testa attiva, vede che le cose potrebbero essere fatte in modo diverso, e invece di pensare “è inutile che ci provo, dovrei avere l’approvazione dei capi, dovrei attivare un budget, dovrei trovare persone disponibili a lavorare con me” prende gli strumenti che ha e inizia. È un’attitudine da principiante permanente, da sperimentatore continuo, di chi non riesce a stare fermo davanti a qualcosa che potrebbe funzionare meglio. Le persone con agentività non fanno cose straordinarie: fanno cose ordinarie con uno sguardo diverso, e la differenza si vede nel tempo, nell’accumulo di piccole iterazioni che alla fine producono risultati che sembrano, visti da fuori, il frutto di un talento speciale quando invece sono il frutto di una pratica costante.

C’è un ultimo aspetto dell’agentività che mi sta a cuore perché riguarda qualcosa di più profondo della produttività: la possibilità di cambiare la propria condizione. L’agentività richiede uno sguardo possibilista sul futuro, richiede di rifiutare l’idea che siccome si è nati in un certo contesto, siccome non si hanno i privilegi riservati ad alcuni, siccome non si è ricevuta una certa educazione, allora certe opportunità non sono accessibili. Non significa negare che esistano differenze tra le persone (esistono, e sono enormi), ma significa rifiutare che quelle differenze siano destino. Con il proprio lavoro, con le proprie iterazioni, con l’accesso a strumenti che fino a ieri non esistevano, si possono ottenere risultati che erano riservati a pochi e si può cambiare la propria situazione. L’agentività è trasformativa in questo senso: permette alla persona cresciuta ai margini, senza ricchezza, senza l’educazione dei migliori, di costruire qualcosa che prima non era possibile costruire, perché gli strumenti per farlo ora esistono e sono accessibili, e chi li usa in modo consapevole può agire per cambiare la propria traiettoria.

Gusto

La terza parola è gusto, ed è quella che permette di distinguere, nella marea di output che questi strumenti producono, cosa è mediocre e cosa ha qualità. Senza gusto, l’agentività produce molto ma produce male.

Per allenare il gusto bisogna resistere a un’idea che il sistema educativo ci ha trasmesso per decenni: che la strada giusta sia specializzarsi. La scuola ci ha formato per un sistema economico che aveva bisogno di persone qualificate a svolgere mansioni specifiche, ingranaggi per far funzionare macchine complesse. Quel sistema sta cambiando in modi che rendono la differenza tra specialista e generalista importante come non lo è mai stata. Lo specialista si identifica con la propria competenza: quando quella competenza diventa obsoleta, quando una macchina la esegue meglio di lui, lo specialista perde la sua identità e non sa più chi è. Il generalista si identifica con il progetto, con la missione che vuole compiere: quando ha bisogno di una competenza per avanzare verso quella missione la sviluppa iterando con agentività, e quando quella competenza diventa delegabile a una macchina è sollevato, perché ha uno strumento che lo avvicina più velocemente alla soluzione che cercava.

C’è un’espressione che ripetiamo spesso, non sei il tuo job title, ma forse non ne cogliamo tutte le implicazioni. Dietro ogni professionista c’è una moltitudine: passioni, interessi, modi di affrontare le cose, persone che lo hanno formato, capacità che non usa mai al lavoro, intere costellazioni che non possono essere rinchiuse in una qualifica. Identificarsi con una professione significa accettare una prigione, perché la professione può diventare obsoleta mentre i problemi restano, e chi sa vedere problemi può sempre trovare modi nuovi per affrontarli. Smettere di identificarsi con la propria professione e iniziare a identificarsi con il tipo di problema che si vuole risolvere è il passaggio che permette di attraversare le trasformazioni invece di esserne travolti.

Il gusto si allena coltivando questa apertura, esponendosi a domini diversi invece di chiudersi in uno solo. Ho la prova che persone con sensibilità sviluppata sanno distinguere la qualità dalla mediocrità anche in ambiti completamente diversi dal loro, perché esiste una simmetria che attraversa i domini: il bello di un’opera d’arte e il bello di una campagna pubblicitaria, il bello di una poesia e il bello di un comunicato stampa, il bello di una formula matematica e il bello di una presentazione per un cliente hanno tratti comuni. Quando si coltiva la capacità di riconoscere il bello in un ambito, questo aiuta a riconoscerlo anche negli altri, e la visione che ne risulta è più completa, la capacità di giudizio più ricca di quella di chi è iper-specializzato su una sola cosa e non ha termini di paragone.

L’altro segnale che caratterizza le persone con gusto è un certo tipo di insoddisfazione: guardi il tuo lavoro e sei soddisfatto al settanta, ottanta percento al massimo, non perché sei insicuro o perfezionista, ma perché hai in testa uno standard molto alto, sai come dovrebbe essere un lavoro perfetto e vedi la distanza con quello che hai prodotto. Questa insoddisfazione è sana quando si riesce a separare il prodotto dall’autore, e questa distinzione cambia tutto: essere insoddisfatti di quello che si è fatto non significa essere insoddisfatti di sé stessi. Non è un segnale di hustle culture, non implica lavorare sedici ore al giorno, non significa non pubblicare mai nulla per paura di non essere abbastanza: significa sapere che esiste un gap tra l’ideale e il risultato, e usare quel gap come motore per migliorare, iterazione dopo iterazione, senza che questo diventi un giudizio sulla propria persona.

Le persone con gusto sviluppato convivono con un senso di incompiutezza che le accompagna per tutta la vita, perché mentre progrediscono nelle capacità del loro lavoro progredisce anche il loro standard, e il gap si può ridurre ma non si colma mai. Non è una condanna, è quello che le tiene in movimento.

Osservare, agire, giudicare

La domanda da cui sono partito, cosa fare per prepararsi, nasconde un’assunzione: che il futuro sia qualcosa a cui ci si prepara, come a un esame o a una tempesta in arrivo. In realtà il futuro non è qualcosa che arriva: è qualcosa che si costruisce.

Alle persone che mi fanno questa domanda – i ventenni incerti, i trentacinquenni inquieti, i cinquantenni che sentono il terreno spostarsi – non ho da offrire un percorso di studi né una lista di competenze da acquisire. Ho da offrire tre parole che sono anche tre pratiche: imparare a vedere problemi più grandi di quelli che ci hanno insegnato a risolvere, agire in modo continuo su quei problemi senza chiedere permesso a nessuno, affinare il giudizio che ci dice quanto siamo vicini e quanto siamo lontani dal bello.

Il resto – gli strumenti, le tecniche, le competenze specifiche – cambia continuamente e continuerà a cambiare. Ma chi ha imparato ad osservare, agire e giudicare non dipende più da nessuno strumento, da nessuna tecnica, da nessuna competenza specifica. È libero di attraversare quello che verrà.

Sono passate poche settimane dall’ultimo numero e siamo appena entrati nel nuovo anno, ma mi sento già un professionista diverso da quello che ero prima delle feste.

Una buona parte del lavoro che facevo fino a dicembre mi sembra vecchio, superato, per certi versi inutile. Non è una sensazione piacevole, ma neanche spiacevole. È più simile a quella che provi quando guardi una foto di te stesso di dieci anni fa e ti chiedi come facevi a vestirti così.

Ho deciso che il mio mantra per il 2026 sarà “distruggiti prima che lo faccia qualcun altro”. Questo post spiega cosa significa e come intendo metterlo in pratica.

La rivoluzione è il software

Ho chiesto a Google la definizione di software ed ecco la sua risposta:

the intangible set of instructions, data, programs, and procedures that tell a computer’s physical hardware what to do and how to perform tasks.

Per decenni la capacità di scrivere istruzioni in un linguaggio che la macchina potesse interpretare è stata il collo di bottiglia di qualsiasi progetto software: potevi avere l’idea più interessante del mondo, ma senza qualcuno che sapesse tradurla in codice restava in una slide.

Oggi il collo di bottiglia si è spostato. Conta di più sapere che cosa vuoi ottenere, quale processo vuoi seguire per arrivarci, quale livello di qualità vuoi raggiungere, quali interazioni immagini. Le “instructions, data, programs and procedures” della definizione, cioè il cosa e il perché, sono diventate più importanti della capacità tecnica di scriverle in un linguaggio specifico, cioè il come.

I programmatori obiettano che il vibe coding va bene per realizzare un prototipo, ma per codice stabile che possa andare in produzione servono sviluppatori veri, al massimo assistiti da strumenti AI. L’obiezione è corretta sul piano tecnico. Ma è anche irrilevante, perché assume che la nuova generazione di software assomiglierà a quella precedente. Chi solleva questa obiezione sta difendendo un territorio che molto probabilmente non sarà quello che verrà conquistato.

Prima di YouTube il contenuto erano giornali, programmi televisivi, film: prodotti che richiedevano strutture, budget, competenze, team. YouTube non ha reso tutti registi cinematografici. Ha fatto emergere un tipo di contenuto che prima non esisteva: il vlog, il tutorial, lo short… Forme che non competono con il cinema ma lo affiancano, che raggiungono persone e contesti diversi, che risolvono problemi troppo piccoli o troppo specifici perché uno studio televisivo li consideri degni di investimento.

Il software sta per seguire la stessa traiettoria. Non diventeremo tutti sviluppatori enterprise capaci di costruire sistemi che reggono milioni di utenti. Costruiremo un nuovo tipo di software: personale, micro, fatto per risolvere problemi che nessuna azienda affronterebbe perché il mercato è troppo piccolo o perché il problema esiste solo nel contesto specifico di chi lo vive. Non è software che compete con Salesforce o Notion. È altro: strumenti costruiti per te, per il tuo modo di lavorare, per problemi che probabilmente solo tu hai in quella forma specifica.

Dipendere dalle macchine

Creare software in questo modo genera dipendenza. L’ho sperimentato quando, dopo aver pagato il piano da 150 euro al mese di Claude e abilitato l’extra uso, sono stato bloccato per aver superato i limiti. La frustrazione è stata più intensa di quanto mi aspettassi: mi sembrava di non poter più fare nulla, perché io non so fare tecnicamente quello che stavo facendo. Se mi togli Claude Code, smetto di creare software.

Ma la dipendenza da strumenti non è una novità, e non è nemmeno la dipendenza più costosa. Per anni ho dipeso da altre persone per fare le stesse cose che oggi faccio con l’AI. Per costruire un software dipendevo da uno sviluppatore. Ma l’azione, o meglio l’agentività, è un processo iterativo: provi a fare qualcosa, osservi cosa succede, correggi, riprovi, correggi ancora, finché ottieni il risultato che vuoi. Quando dipendi da un’altra persona, questo ciclo diventa lentissimo e costosissimo. Se dessi istruzioni a un programmatore lui le eseguirebbe, ma al 99% il risultato sarebbe parziale o peggio sbagliato, perché quasi sempre non so bene cosa voglio finché non lo vedo. Lui mi darebbe un feedback, io proverei a correggere le istruzioni, lui eseguirebbe di nuovo, e così via in un loop che potrebbe durare settimane. Dipendere dalla macchina significa comprimere quel ciclo iterativo da giorni a ore, da ore a minuti. La velocità cambia la natura stessa di quello che puoi costruire.

Detto così sembra una forma di dipendenza nuova, forse preoccupante. Ma non è diversa da quelle che abbiamo già accettato senza farci troppe domande. Prova a toglierti Google Maps e orientarti in una città che non conosci. Prova a lavorare senza internet per un giorno. Prova ad andare in campeggio e cucinare accendendoti un fuoco con i fiammiferi. Dipendiamo da strumenti da sempre.

Quello che succede ogni volta che un nuovo strumento diventa disponibile e si diffonde è che certe competenze smettono di essere necessarie e l’attenzione si sposta su un livello superiore. Se non devi più preoccuparti di accendere il fuoco puoi concentrarti su cosa cucinare. Se non devi più preoccuparti di come cucinarlo puoi concentrarti su come presentare il piatto, su chi invitare a cena, su quale conversazione avere mentre mangiate.

Le competenze si astraggono verso l’alto, e questo pattern si ripete da sempre: lo scriba che copiava manoscritti è diventato l’editore che decide cosa merita di essere stampato, il tessitore a mano è diventato l’operatore di macchine industriali, il tipografo è diventato il designer. Ogni ondata tecnologica ha spinto gli esseri umani a operare a un livello più alto di astrazione.

Quello che non cambia è la capacità di usare gli strumenti. Gli esseri umani sono costruttori di strumenti: è così che abbiamo prosperato in ogni nicchia, in ogni epoca, in ogni condizione. La differenza oggi è la velocità. La stampa ha impiegato decenni per diffondersi in Europa. La rivoluzione industriale si è svolta in un secolo. L’AI si sta muovendo più velocemente di tutte le rivoluzioni precedenti, e il divario tra chi sperimenta oggi e chi aspetta si sta allargando in modo esponenziale, non lineare.

Questa dinamica spiega perché i generalisti sono avvantaggiati rispetto agli specialisti nei momenti di transizione tecnologica. La differenza non sta nelle competenze che possiedono, ma nel rapporto che hanno con quelle competenze.

Gli specialisti costruiscono la propria identità professionale attorno a una competenza specifica. Sono quella competenza: l’illustratore è illustrazione, il programmatore è codice, il copywriter è scrittura. Quando quella competenza diventa meno rilevante o viene automatizzata, non stanno perdendo uno strumento. Stanno perdendo un pezzo di loro stessi. La reazione naturale è difensiva: alzare barriere, sminuire la tecnologia che li minaccia, cercare ragioni per cui questa volta è diverso e la loro competenza sopravviverà. È una risposta comprensibile, ma è anche la risposta che li condanna a restare fermi mentre il mondo si muove.

I generalisti costruiscono la propria identità attorno a uno scopo, una missione, un progetto. Le competenze sono strumenti per realizzare quella missione, non fini in sé. Quando arriva uno strumento nuovo che rende obsoleta una competenza che avevano faticato ad acquisire, non vivono una crisi di identità. Vedono un’opportunità: possono fare di più, più velocemente, con meno ostacoli tra loro e quello che vogliono costruire. Sono disposti a distruggere le proprie competenze perché non le identificano con loro stessi.

La mia scelta

Il mio mantra del 2026, “distruggiti prima che lo faccia qualcun altro”, funziona solo se hai qualcosa che rimane dopo la distruzione. Se sei le tue competenze, distruggerle significa annientarti. Se sei la tua missione, distruggerle significa liberarti.

In pratica significa smettere di proteggere quello che sai fare e iniziare a trasferirlo alle macchine. Con Play New, la consulenza che sto costruendo dentro Cosmico per aiutare le organizzazioni a diventare AI-Native, stiamo lavorando a un’architettura che parte da questa premessa: gli LLM stanno diventando commodity, il costo dell’inferenza scende verso lo zero, e il valore durevole si concentra nei due layer che stanno sopra il modello.

Il primo layer è il contesto: informazione strutturata su utenti, organizzazioni e domini che rimane portabile tra diversi provider. Se domani voglio passare da Claude a GPT o a qualsiasi altro modello, non devo ricostruire da zero la conoscenza accumulata. Il secondo layer sono le capability: competenze di dominio codificate in formato eseguibile, indipendenti da qualsiasi modello specifico. La conoscenza tacita che gli esperti faticano ad articolare – quella che li rende colli di bottiglia perché ogni decisione che richiede il loro giudizio deve aspettare in coda – diventa esplicita, documentata, versionata, trasferibile.

Sto rendendo replicabile quello che so fare. È un atto di auto-distruzione consapevole: la versione di me che esisteva prima di questo trasferimento diventerà obsoleta. Ma preferisco farlo io, alle mie condizioni, piuttosto che scoprire tra due anni che qualcun altro l’ha fatto al posto mio.

So che la dipendenza da questi strumenti potrebbe avere effetti collaterali. Sento spesso parlare di deperimento cognitivo, di atrofia delle capacità di pensiero critico, di una generazione che non saprà più fare nulla senza l’AI. Sono preoccupazioni legittime, ma sono anche preoccupazioni per cui non abbiamo ancora dati. Nessuno ha studiato gli effetti a lungo termine di questi strumenti perché il lungo termine semplicemente non è ancora arrivato.

Posso scegliere tra due approcci: il primo è aspettare che qualcun altro faccia gli esperimenti, leggere i risultati tra qualche anno, e poi decidere se adottare o meno questi strumenti; il secondo è sperimentare adesso, osservare cosa succede a me, e correggere strada facendo. Il primo approccio sembra più prudente, ma il secondo mi permette di accumulare tre o quattro anni di vantaggio su chi aspetta, in un momento in cui il divario tra chi sperimenta e chi aspetta cresce in modo esponenziale.

Ho scelto il secondo. Se tra due anni scoprirò che la mia capacità di concentrazione è peggiorata o che gli effetti collaterali di questo nuovo strumento sono ben peggiori dei benefici, avrò imparato qualcosa di utile. Se scoprirò che sto bene e ho costruito cose che altrimenti non avrei potuto costruire, avrò guadagnato anni che non potrei recuperare in nessun altro modo.

Liberarsi

Se degli effetti collaterali della dipendenza dall’AI non sappiamo ancora nulla, al contrario degli effetti della dipendenza dai nostri smartphone sappiamo moltissimo.

Sono arrivato vicino all’esaurimento. Non sopporto di avere il telefono in mano di continuo, e non sopporto che per questo i miei figli me lo chiedano di continuo. Non sopporto che non riusciamo più a stare a cena con amici senza che qualcuno guardi periodicamente quello schermo. Nessuna azienda ti obbliga a rispondere a email o Slack nel momento in cui arrivano, e nessun amico ragionevole si offende se ci metti qualche ora a rispondere a un messaggio. Se lavori in un’azienda che pretende risposte immediate a qualsiasi ora, o frequenti persone che si risentono per qualche ora di silenzio, meglio cambiarli.

Distruggersi prima che lo faccia qualcun altro vale anche qui. Ho deciso di distruggere un’abitudine che mi stava consumando, prima che consumasse del tutto la mia attenzione e il mio rapporto con le persone che ho intorno.

Voglio provare a sostituire lo smartphone con un altro pezzo di hardware: l’Apple Watch. Lo sto usando in modalità standalone, senza telefono, e mi permette di fare le cose che considero essenziali quando sono fuori casa: pagare, telefonare, inviare un messaggio, aprire la macchina, ottenere indicazioni, senza la distrazione continua dello schermo.

Su alcune cose funziona bene, su altre meno, ed è esso stesso dipendente dal telefono, come lo sono quasi tutti i servizi digitali progettati nell’ultimo decennio. Ma abbinato a un paio di Ray-Ban Meta, con cui posso chiamare, ascoltare podcast e musica, fare foto e video da riguardare poi al computer, mi sta dando soddisfazioni.

Vi aggiornerò su come procede!

Buon anno

C’è qualcosa di strano nel preoccuparsi delle conseguenze di dipendenze future su cui non abbiamo evidenze, mentre continuiamo a subire le conseguenze di dipendenze presenti su cui le evidenze abbondano.

Distruggersi prima che lo faccia qualcun altro significa scegliere quali parti di te vuoi far morire e quali vuoi far crescere. Significa accettare dipendenze nuove che ti rendono più capace e liberarti da dipendenze vecchie che ti rendono più debole.

Buon 2026.
Che sia l’anno in cui scegliete da cosa volete dipendere.

Nelle ultime settimane ho preso più tempo del solito per i miei esperimenti. Ho fatto parte della giuria del primo hackathon di Cosmico, AI Works, guardando decine di progetti costruiti in meno di 48 ore. Ho tenuto un webinar su Claude Code, lo strumento che sta cambiando il modo in cui lavoro. E ho usato quello stesso strumento per costruire cose nuove, tra cui un sistema per gestire i progetti di Play New e un software per organizzare e cercare le migliaia di foto e video che abbiamo fatto in Cosmico negli ultimi cinque anni.

Ho visto il futuro e l’ho trovato bellissimo. Ma ho anche capito che ci chiederà molto, e affrontarlo non sarà per nulla facile.

L’età della tecnica

Nelle 48 ore di hackathon di Cosmico, decine di persone con background diversi hanno costruito prototipi funzionanti, con interfacce curate e logiche complesse: cose che fino a due anni fa avrebbero richiesto settimane di lavoro e un team di sviluppatori e designer.

Eppure la qualità dei progetti non è l’unica cosa che mi ha stupito tantissimo: ho trovato stupefacente quanto i lavori dei partecipanti si assomigliassero dal punto di vista delle idee. L’approccio strategico, il tipo di problema che sceglievano di risolvere, la visione di fondo erano molto vicine tra loro, come se avessero chiesto all’AI di suggerire loro un’idea.

Non è una critica a chi ha partecipato, tutt’altro: hanno fatto un lavoro notevole in pochissimo tempo, e il livello tecnico era molto alto. La mia è piuttosto un’osservazione su come funziona il nostro cervello, e con che mindset usiamo i nuovi strumenti per creare un nuovo progetto.

Veniamo da 15-20 anni di un unico mantra: ottimizzare, crescere, scalare, efficientare. Abbiamo questo sistema operativo installato nelle nostre teste, e lo usiamo senza nemmeno accorgercene. Quando ci chiedono di fare qualcosa, cerchiamo il modo più efficiente; quando ci danno uno strumento nuovo, cerchiamo di ottimizzare quello che già facevamo; quando ci propongono un’idea, la valutiamo in base a quanto può crescere.

È naturale, è quello che ci hanno insegnato a scuola, all’università, nei primi lavori. È quello che premia il mercato, almeno finora. È quello che misurano i KPI, che chiedono gli investitori, che celebrano i case study.

Una delle frasi che startupper e VC hanno ripetuto più spesso negli ultimi anni è “Ideas are worthless; execution is everything”. Tutti sono in grado di avere delle buone idee, ma le idee non valgono nulla se non sei capace di realizzarle e poi di farle scalare.

Ilya Sutskever, uno dei fondatori di OpenAI e ora a capo di Safe Superintelligence, in una conversazione recente ha spiegato che questa ossessione per l’execution ci ha portati ad avere più aziende che idee. E ha aggiunto: “If ideas are so cheap, how come no one’s having any ideas?”, se le idee sono così a buon mercato, come mai nessuno ne ha?

Anche nell’AI, dice Ilya, fino al 2020 eravamo nell’era della ricerca: si provava, si sperimentava, si cercavano direzioni nuove, si accettava che molte strade non portassero da nessuna parte. Poi è arrivata l’era della crescita a tutti i costi: qualcuno ha scoperto che bastava aumentare i dati e la potenza di calcolo per ottenere risultati migliori, e improvvisamente c’è una direzione chiara da seguire. “La corsa alla scala ha risucchiato tutta l’aria dalla stanza”: tutti hanno fatto la stessa cosa perché la ricetta funzionava.

Ora siamo di nuovo nell’era della ricerca. La ricetta della crescita pura sta mostrando i suoi limiti, servono idee nuove, approcci diversi, direzioni inesplorate. Ma abbiamo computer enormi e un intero sistema – economico, culturale, organizzativo – costruito intorno all’idea che basti ottimizzare l’esistente.

Per questo quando chiedi all’AI “dammi un’idea”, l’AI ti dà l’idea ottimizzata, quella che statisticamente funziona meglio secondo i pattern che ha visto, quella che assomiglia di più a quello che ha già funzionato in passato. E tu la accetti perché il tuo sistema operativo dice “ottimo: è efficiente, può crescere.”

L’AI non è il problema: il problema è che abbiamo perso la capacità di pensare in modo nuovo.

Un nuovo inizio

In queste settimane di uso intensivo di Claude Code ho fatto cose che prima non avrei mai immaginato. Non perché fossero impossibili in assoluto, ma perché erano troppo complesse per me: complesse tecnicamente, e quindi complesse in generale. Avrei avuto bisogno di altre persone, di tempo per convincerle, di soldi per pagarle, di energie per coordinarle, di pazienza per gestire i malintesi e le revisioni e i ritardi.

Ora no. Ora vado in quella modalità che gli americani chiamano vibe: accetto quello che la macchina fa, vedo cosa succede, modifico, mi lascio suggerire direzioni nuove. Non controllo il processo, lo navigo. È una modalità che richiede di rinunciare all’idea di sapere esattamente cosa stai facendo, e proprio per questo funziona, perché ti porta in posti che non avresti mai raggiunto seguendo un piano prestabilito.

È l’opposto di quello che ci hanno insegnato sul lavoro: il professionista sa cosa sta facendo, l’esperto controlla il processo, il senior è senior perché ha un piano e lo esegue. Chi ammette di non sapere viene visto come incompetente, chi cambia direzione è semplicemente disorganizzato e confuso.

E invece la mentalità da principiante, quella che gli inglesi chiamano beginner’s mind, è esattamente quello che serve quando gli strumenti cambiano così velocemente. Socrate diceva di sapere di non sapere, e quella consapevolezza era la base della sua saggezza. Noi diciamo di essere esperti, di avere anni di esperienza e competenze specifiche che ci proteggono, e proprio quella certezza ci impedisce di vedere quello che sta cambiando.

Avere una mentalità da principiante è un’attitudine difficile da coltivare, e può trasformarsi anche in una prigione: anche quando le cose vanno bene, invece di celebrare i risultati e godersi il momento puoi continuare all’infinito a pensare a come le cose potrebbero essere diverse, migliori, nuove. È una condizione scomoda da abitare, che richiede di non sentirsi mai arrivati, di rimettere tutto in discussione continuamente. Ma è anche la condizione necessaria per vedere le cose muoversi prima degli altri.

Il futuro

Pensavo che la storia fosse semplice: l’AI automatizza le cose noiose, gli umani fanno le cose creative. È la narrativa che ci raccontiamo per sentirci al sicuro, per convincerci che il nostro lavoro è protetto, che la nostra competenza ha ancora valore. Ma è sbagliata, o almeno è incompleta.

La trasformazione ha una scala precisa, e dobbiamo guardarla in faccia:

• Primo step: le cose meccaniche spariscono. Traduzioni, SEO, layout, campagne performance, report, email, presentazioni… professioni intere che erano già meccaniche anche se non lo ammettevamo. Questo sta già accadendo, e accelererà.

• Secondo step: l’idea che l’AI vada bene per le cose mediocri ma che per la qualità serva l’umano si rivela per quello che è, una stupidaggine. L’LLM sta diventando progressivamente un layer invisibile che interpreta l’intenzione dell’utente e la collega con la conoscenza, le competenze e gli strumenti necessari per costruire una risposta. Una volta che avremo costruito i pezzi che ancora mancano, cioè le capability che racchiudono conoscenza di dominio specifica, competenze verticali e strumenti integrati, avremo ricreato il nostro modo di agire e dato alla macchina la capacità di produrre output che oggi consideriamo creativi, irriproducibili, di alta qualità. È solo questione di tempo, non di possibilità tecniche.

• Terzo step: diventa urgente e necessario ridefinire che cosa sia la qualità, che cosa sia la creatività, per cosa valga la pena lavorare, a cosa abbia senso dedicare attenzione. Servono idee nuove, potenti, inesplorate, selvagge, strane.

Il mondo è troppo interessante

Ho letto che i nerd stanno dominando i nuovi media.

Il motivo? Hanno troppe idee, trovano il mondo troppo interessante, vogliono parlare di troppe cose contemporaneamente. Questo li rendeva pessimi nel vecchio formato mediatico, fatto di interviste veloci, pitch, presentazioni brevi e lineari che richiedono disciplina e focus, tutte cose che i nerd non sanno fare. Ma nel nuovo formato, quello dei podcast lunghi due o tre ore da cui poi si estraggono clip, i nerd eccellono. Perché il formato stesso è un processo di esplorazione: hai tutto il tempo che ti serve per trovare l’idea interessante, per seguire le connessioni non ovvie, per arrivare a conclusioni che non avevi pianificato all’inizio. Non devi sapere dove stai andando prima di partire.

Trasla questo ragionamento dal mondo dei media al mondo del lavoro, o al mondo in generale.

Chi trova il mondo troppo interessante non funziona nel mondo aziendale tradizionale: lineare, iperspecialistico, dove ogni ruolo ha confini precisi e uscire dal proprio ambito è visto come mancanza di focus. Ma nel nuovo mondo, dove puoi costruire qualunque cosa se hai un’idea, dove la complessità tecnica non è più un filtro, dove l’unico limite è la tua capacità di immaginare cose nuove, chi trova il mondo troppo interessante ha un vantaggio enorme.

Pensa ai politici. Se li metti in un podcast di un’ora o due, la maggior parte non ha niente da dire oltre alle frasi fatte: sono programmati per l’intervista botta e risposta, il commento al volo fuori dal parlamento, il titolo per il giornale. Quando devi parlare per due ore, se non hai idee crolli.

Quando a lavoro fai i tuoi compiti sei tranquillo, nella tua comfort zone. Il tuo calendario pieno è come un talk show tra politici: il sistema ti dice cosa fare e quando farlo, tu lo fai ed è rassicurante. Ma se improvvisamente il calendario si svuota e hai la possibilità di lavorare a quello che vuoi, come vuoi, per un giorno, un mese o un anno intero, se non hai idee crolli.

Il lavoro meccanico ti protegge dalla domanda più difficile di tutte: cosa faresti se potessi fare qualunque cosa? Quella domanda terrorizza. Richiede di scoprire chi sei, cosa ti interessa, dove vuoi andare. Richiede di rischiare e di sbagliare. Il lavoro meccanico è un’anestesia contro queste domande: puoi passare una vita intera senza mai dover rispondere, perché c’è sempre qualcosa da fare, qualcuno che ti dice cosa fare, una lista di compiti da completare prima di poter pensare ad altro.

Oggi l’effetto dell’anestesia sta per finire: più i task meccanici saranno automatizzati, più si farà pesante la domanda: cosa vuoi fare tu? Per alcuni sarà una liberazione: avranno possibilità che non potevano nemmeno immaginare, tempo per pensare e creare, energia finalmente disponibile per le cose che contano. Per altri sarà il vuoto.

Tempo

Molti dicono che non riescono a sperimentare e a provare cose nuove perché non hanno tempo. È vero. Ma può essere anche un alibi, un modo per evitare quella domanda difficile, per rimandare a un futuro indefinito il momento in cui dovremo decidere cosa vogliamo davvero.

Il tempo si trova: si trova rinunciando a cose meno importanti, si trova dicendo più spesso no, si trova spegnendo le notifiche e chiudendo le email per un’ora al giorno. Non è facile, ma è possibile.

E anzi, mi verrebbe da dire che dobbiamo trovarlo adesso quel tempo, prima che sia troppo tardi. Prima che il lavoro meccanico sparisca del tutto e ci ritroviamo con tutto il tempo del mondo e nessuna idea su come riempirlo. Chi oggi non trova tempo per sperimentare, per esplorare direzioni nuove, rischia di trovarsi tra qualche anno libero da tutti quei compiti che lo tenevano occupato, ma senza la minima idea di cosa fare di quella libertà.

Il permesso di pensare, di provare, di immaginare non te lo dà nessuno. Il permesso te lo devi prendere.

Ho visto il futuro

Ho visto il futuro e l’ho trovato bellissimo. Posso costruire cose che prima erano impossibili per me. Posso navigare senza sapere esattamente dove sto andando e scoprire posti che non avrei mai raggiunto con un piano. Posso sperimentare senza chiedere permesso a nessuno, senza convincere nessuno, senza aspettare che qualcuno mi dia il budget o il team o il tempo.

Ma ho capito anche cosa richiede, e non è poco.

Servono idee. E no, non sto parlando della visione romantica di uno che si sveglia alla mattina con l’illuminazione geniale. L’idea può venire anche dalla macchina, con la macchina, attraverso un processo di esplorazione che dura a lungo. Ma devi cercarla, devi desiderarla, devi non accontentarti delle prime versioni, devi ripensarla e testarla e buttarla via e ricominciare.

Da mesi scrivo questa newsletter così, attraverso un processo di domande che generano altre domande: non è più efficiente o produttivo di prima, ma è estremamente più efficace per creare cose nuove e rilevanti.

Il processo di scoperta è il valore, e le domande sono più importanti delle risposte.

È bello pensare che possiamo immaginare di cosa avremo bisogno prima che ce ne sia bisogno, che il futuro non è qualcosa che ci succede ma qualcosa che possiamo vedere arrivare e persino indirizzare, a patto di sapere dove guardare.

E per saperlo serve una cosa sola: avere qualcosa da cercare.

Questo è l’ultimo numero di Work After del 2025. Ho scelto di chiuderlo così: raccontandovi quello che ho visto nelle ultime settimane, quello che ho provato su di me, e quello che penso significhi per tutti noi.
Buon 2026. Che sia l’anno in cui trovate le vostre idee.