Questo articolo è la prima parte dell’analisi portata avanti da E-CO sull’impatto dell’Intelligenza Artificiale sul futuro della formazione online. A questo link è disponibile la seconda parte.
Come l’AI cambia il modo di lavorare
Disruption. Oppure Cambiamento di paradigma, se vogliamo forzare un po’ il paragone, citando l’epistemologo Thomas Kuhn.
Nel 2023 abbiamo vissuto e stiamo vivendo una discontinuità fortissima in ambito tecnologico grazie all’introduzione delle AI generative:
- quelle text-to-text (come ChatGPT, Bing, Claude, Bard);
- quelle text-to-image (come Midjourney, Dall-e, Stable Diffusion);
- quelle text-to-audio per la creazione di voci sintetiche (come ElevenLabs);
- quelle per la creazione di avatar virtuali con la possibilità di traduzione istantanea (come Heygen e Synthesia);
- addirittura quelle text-to-video (come Runway).
Un panorama ricco, frastagliato, ribollente. Caratterizzato da un altissimo tasso di velocità.
Siamo abbagliati dalle novità; incuriositi; forse anche confusi. Una rivoluzione dell’AI, mutevole e sfuggente, che riporta al centro, ancora una volta, il Dilemma dell’innovatore di Christensen: ci sono momenti in cui “fare la cosa giusta è la cosa sbagliata”; in altre parole, quando entra in campo una novità dirompente, fare la cosa giusta (innovazioni incrementali) potrebbe non essere la scelta giusta (cioè optare per scelte di discontinuità).
La rivoluzione portata dall’Intelligenza Artificiale cambia il panorama e induce cambiamenti di paradigma. Alle organizzazioni e alle singole persone spetta ora rispondere a una domanda: come affrontare questi nuovi scenari?
1. Esplorazioni ambiziose in domini sconosciuti: esplora, percepisci, rispondi
Si può procedere tramite incursioni rapide, piccole sperimentazioni poco costose e flessibili per quanto riguarda la nicchia di mercato e la tipologia di prodotto. Diventa fondamentale la fase di apprendimento dal fallimento: “Sometimes you win, sometimes you learn” come sottolinea John Maxwell.
Le avversità (tanto più nell’innovazione) fanno da stimolo per l’apprendimento, i problemi diventano opportunità di apprendimento, le brutte esperienze danno prospettiva all’apprendimento; il cambiamento è il prezzo per l’apprendimento, e la maturità (anche delle innovazioni) è il valore dell’apprendimento.
Prima ancora del cosa fare (cioè di cosa innovare), occorre comprendere dove ci stiamo muovendo. Per inquadrare lo scenario, possiamo fare riferimento al Cynefin Framework, sviluppato da Dave Snowden per facilitare il processo decisionale in contesti complessi.
Credits: Wikipedia
In particolare, l’innovazione dirompente dell’AI generativa porta chi innova nel campo del Digital Learning a muoversi tra i quattro quadranti, scegliendo la strategia appropriata a seconda della situazione:
- ci sono contesti semplici (in basso a destra), ovvero attività in cui le regole sono chiare, ci sono best practice su come svolgere quell’attività o realizzare quel prodotto; ci sono relazioni semplici causa-effetto, prevedibili e replicabili. Pensiamo ad esempio alla registrazione di uno speech audio, scritto all’interno di uno storyboard per una lezione on line;
- in altri casi, nel governo di progetti di Digital Learning si può oscillare tra il complicato (in alto a destra nell’immagine) in cui bisogna gestire i vincoli imposti dalla situazione, e il dominio del caotico caratterizzato dalla mancanza di vincoli (in basso a sinistra), ad esempio se bisogna creare nuovi modi di lavorare quando si è già all’interno di un progetto innovativo.
Infine, in alcune occasioni, come è nel caso della riflessione strategica relativa all’introduzione dell’AI generativa nell’apprendimento, ci troviamo nel dominio del complesso (in alto a sinistra). Ci sono cause ed effetti che sono imprevedibili e che appaiono ovvi solo a posteriori; il cambiamento e l’innovazione sono sia di processo, sia di prodotto: non possiamo prevedere l’esito, ma possiamo sperimentare iterativamente e raccogliere opinioni e reazioni dagli stakeholder coinvolti. Nel dominio del complesso l’approccio consigliato è “probe – sense – respond”, ovvero “esplora – percepisci – rispondi”.
Questo approccio, quello di sfruttare gli enabling constraints, cioè i vincoli abilitanti, che possono diventare opportunità, è la modalità che stiamo seguendo in E-CO. Sperimentazioni veloci (probe) delle nuove tecnologie basate sull’AI generativa, per verificare quando e come possono essere utilizzate e quando invece queste non sono ancora mature (sense) per arrivare poi a dare una risposta (respond), cioè a dire e dirsi come possiamo usare questa tecnologia. Se ci può portare a miglioramenti incrementali o ad innovazioni disruptive, a progettare e realizzare prodotti, corsi, servizi prima inimmaginabili.
Ad esempio, l’AI generativa ci potrebbe aiutare ad abbattere la solitudine di chi segue un corso di digital learning asincrono, in cui il/la discente vive l’esperienza di apprendimento in modo autonomo, senza vincoli di spazi e tempi.
La sperimentazione di chatbot all’interno dei corsi, che stiamo sviluppando in un progetto di Ricerca & Sviluppo, è un primo esempio di come può cambiare l’apprendimento online: progettare dei partner comunicativi in cui il discente può interagire con un chatbot basato su AI generativa text-to-text e addestrato su specifici contenuti, per richiedere il supporto dell’assistente virtuale per diverse attività cognitive:
|
Richiesta del discente al Chatbot |
Rielaborazione del Chatbot tramite AI a partire dai contenuti del corso e risposta fornita al discente all’interno del corso stesso |
| Spiega meglio | Va più in profondità su quel contenuto. A partire dal contenuto dato, estende la spiegazione. |
| Semplifica molto | Usa altre parole più comprensibili per descrivere il contenuto dato. Non necessariamente produce un testo più breve (non è una funzione di sintesi). |
| Spiegamelo come se fossi un esperto | Espande il contenuto, collegando concetti collegati utili per la comprensione del contenuto principale. |
| Fammi una domanda | Propone una domanda collegata ai contenuti, per un’attività di autovalutazione esercitativa (non attribuisce punteggio, non è un test di valutazione finale). |
| Fammi un esempio | Descrive un esempio rispetto al contenuto di partenza. |
| Discutiamo |
Propone una domanda al discente, che dovrà rispondere sostenendo la sua tesi. Presenta una traccia per un dialogo aperto ed esperto sul tema. Implica maggiore coinvolgimento del discente. |
Lo sforzo, non banale, è di provare ad avvicinare un problema che rientra nel dominio complesso a uno che appartiene al dominio del complicato (un progetto di produzione di un corso e-learning), in cui ci sono regole chiare ed output prevedibili e gestibili con l’adeguata esperienza.
2. Il futuro del lavoro è già qui: progettare il dopodomani
Questo sconvolgimento portato dall’AI implica, più in generale, un ripensamento del mondo del lavoro e del modo di lavorare e di interagire con le informazioni. Nel recente white paper “Jobs of Tomorrow” pubblicato dal World Economic Forum, viene esaminato l’impatto dei Large Language Model e la loro integrazione in vari settori.
Questo cambiamento radicale offre opportunità e criticità, ed è fondamentale sottolinearlo: si creeranno nuovi lavori, e se ne perderanno molti che verranno automatizzati. È importante individuare quali attività cambieranno in ogni professione, distinguendo tra:
- augmentation (con maggior probabilità che il tempo di lavoro sia potenziato dall’AI): assicuratori e assicuratrici, ingegneri e ingegnere, matematici e matematiche, redattori e redattrici. Gli esseri umani continueranno a svolgere le attività e gli LLM aumenteranno la produttività umana;
- automation (con maggior probabilità che il tempo di lavoro sia sostituito da Large Language Models): impiegati/e, analisti/e gestionali, operatori e operatrici di telemarketing.
Emergeranno poi nuove professioni, come: sviluppatori e sviluppatrici di intelligenza artificiale, progettisti/e di interfacce e interazioni, creator di contenuti AI, specialisti/e in etica e governance dell’AI.
Le attività maggiormente a rischio (cioè con il più alto potenziale di automazione da parte degli LLM) sono quelle di routine e ripetitive, mentre quelli con il potenziale più alto per l’augmentation richiedono un ragionamento astratto e capacità di risoluzione dei problemi.
3. Gli impatti sul lavoro
Una recente ricerca svolta dal Boston Consulting Group su un suo gruppo di consulenti suggerisce che le tecnologie di AI attualmente disponibili avranno un grande impatto sul lavoro: su 18 diversi compiti selezionati per essere esempi realistici del tipo di lavoro svolto presso una società di consulenza d’élite, i consulenti che hanno utilizzato ChatGPT 4 hanno avuto prestazioni nettamente migliori di quelli che non lo hanno usato; su ogni dimensione analizzata, qualsiasi fosse il metodo di misurazione delle prestazioni.
I/le consulenti che hanno usato ChatGPT 4 hanno finito in media il 12,2% in più di task, completato il 25,1% di task più velocemente e prodotto risultati di qualità del 40% maggiore rispetto ai consulenti che non lo hanno usato. E i low performer, cioè le persone che partivano più indietro come livello di skill, hanno avuto i maggiori incrementi.
Un altro punto importante da tenere presente per il futuro è che l’AI è una livellatrice di competenze: chi parte più indietro, se opportunamente formato all’utilizzo, può ottenere risultati analoghi a chi ha maggiori competenze.
Allo stesso tempo, chi ha usato l’AI, non è stato abbastanza bravo/a a riconoscerne gli errori, dandole fiducia quando non avrebbe dovuto.
È difficile per le persone riconoscere quando l’AI è brava o meno in un’attività, perché l’Intelligenza Artificiale è bizzarra (weird), su un confine sottile per quanto riguarda l’emulazione delle capacità umane. A volte al di sotto, a volte al di sopra.
Sempre secondo la stessa ricerca di BCG, l’integrazione essere umano – macchina può avvenire in due modi:
- i centauri, che fanno una suddivisione strategica del lavoro, passando da attività svolte dall’AI ad attività umane, affidando responsabilità in base ai punti di forza e le capacità di ognuna delle due entità (umano e macchina);
- i cyborg, che mescolano macchina e persona, integrando profondamente entrambi; non delegano le attività, ma intrecciano i loro sforzi con l’AI, muovendosi avanti e indietro sulla frontiera delle capacità dell’AI: ad esempio danno degli spunti per cominciare una frase che poi viene completata dall’AI, lavorandoci di fatto in tandem.
Questa seconda modalità è quella che sembra essere più efficace ed avrà maggior possibilità di svilupparsi in futuro.
Si inizia a intravedere chiaramente quale sarà l’impatto in un luogo di lavoro “post-AI”, secondo Phil Hardman:
- passaggio dalla creazione alla revisione e rifinitura di contenuti generati dall’AI;
- enfasi sui dati forniti all’AI come input, per la validazione e per il training, per ottenere migliori risultati;
- employee experience migliorata: l’AI sarà usata per svolgere attività di routine e strutturate, come cercare informazioni o gestire la parte amministrativa;
- focus su attività strategiche anziché amministrative;
- evoluzione dell’L&D: ci sarà una grande necessità di upskilling per costruire le capacità legate all’AI, con la necessità di una pianificazione strategica e l’ottimizzazione della forza lavoro in questi nuovi scenari.
Serve e servirà più che mai pensiero critico ed equilibrio nel giudizio: possiamo affidarci all’AI in una serie di attività, ma dobbiamo essere in grado di validare gli output che produce, e per farlo sarà centrale più che mai l’expertise umana.
Clicca qui per leggere la seconda parte dell’articolo
Riferimenti bibliografici
- Christensen C., Il dilemma dell’innovatore. Come le nuove tecnologie possono estromettere dal mercato le grandi aziende, Franco Angeli, 2016.
- Dell’Acqua F., McFowland E., Mollick E.R., Lifshitz-Assaf H., Kellogg K., Rajendran S., Krayer L., Candelon F., Lakhani K.R., Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality (September 15, 2023). Harvard Business School Technology & Operations Mgt. Unit Working Paper No. 24-013.
- Esposito E., Comunicazione artificiale. Come gli algoritmi producono intelligenza sociale, Bocconi University Press, 2022.
- Maxwell J. C., Sometimes You Win–Sometimes You Learn: Life’s Greatest Lessons Are Gained from Our Losses, Center Street, 2015.
- World Economic Forum, Jobs of Tomorrow: Large Language Models and Jobs, 2023.
