Junior più AI al posto dei senior, un risparmio che non regge

Il dibattito su AI e lavoro si è concentrato finora sui rischi per i più giovani. Un esperimento pubblicato a febbraio dal National Bureau of Economic Research apre la strada a un ragionamento opposto. Su 1.174 adulti argentini tra i 25 e i 45 anni, chiamati a risolvere un problema aziendale con e senza un assistente di AI generativa, il vantaggio dei più istruiti si riduceva di circa tre quarti quando si usava lo strumento. Il dato riguarda un compito singolo, un solo paese e l'istruzione come approssimazione della competenza, e misura quindi un effetto su un task e non su una carriera. Basta però a immaginare un'azienda che, convinta che l'AI comprima il valore dell'esperienza, decida di assumere junior più economici al posto di senior più costosi.

Su compiti analitici ben delimitati, come un memo di sintesi, un primo modello di valutazione o la revisione di un contratto, la logica economica appare solida, perché il differenziale di stipendio tra quindici anni di esperienza e tre diventa difficile da giustificare se la qualità dell'output si avvicina. La stessa logica è di difficile estensione ai ruoli fondati su leadership e gestione dei team e, anche al di fuori di questi, lo studio argentino rileva che i più istruiti usano l'assistente in modo più efficace, verosimilmente perché sanno formulare meglio i quesiti.

La prima crepa si apre appena il documento lascia la scrivania. Un modello di valutazione esiste per essere presentato a un investitore, un memo per essere discusso con un cliente, un piano per essere difeso davanti a un consiglio di amministrazione, e in quei momenti (per adesso) l'AI non siede al tavolo. Quando l'investitore ha una domanda, risponde chi ha firmato il lavoro, su un contenuto che non ha costruito davvero in autonomia e che potrebbe non dominare a pieno. L'esperimento argentino lo mostra in piccolo, perché nel modulo successivo svolto senza AI i meno istruiti, pur conservando una parte del guadagno, scontano nuovamente un divario consistente. Produrre un output e sostenerlo appartengono allo stesso lavoro, anche quando l'organigramma li tratta come momenti distinti.

La seconda crepa pesa di più perché è fatta di errori non visibili. Le evidenze confermano quanto sia facile fidarsi di un errore ben scritto, come mostra un esperimento di Harvard Business School del 2023 in cui i 758 consulenti di Boston Consulting Group che usavano GPT-4 su un compito costruito fuori dalle capacità del modello avevano 19 punti percentuali di probabilità in meno di arrivare alla soluzione corretta. Immaginiamo la due diligence su un'azienda target in cui un solo contratto vale il 30% dei ricavi ricorrenti. Un analista junior che affida all'AI la revisione dei contratti principali riceve una sintesi ordinata che classifica le clausole come standard e costruisce il modello trattando quel fatturato come acquisito e ripetibile. Non viene evidenziata una clausola di change of control che consente al cliente di recedere in caso di cambio di proprietà, cioè proprio nello scenario dell'operazione. Un professionista esperto l'avrebbe cercata come prima cosa e avrebbe chiesto di scontarla nel prezzo o di coprirla con una garanzia specifica nel contratto di compravendita. Parliamo di un errore che può valere milioni contro un risparmio di costo misurato in decine di migliaia di euro all'anno.

Il risparmio sui senior si misura sulla media, mentre il costo si concentra nella coda. L'AI alza la qualità tipica dell'output, che è ciò che gli esperimenti rilevano, ma il danno economico nasce dall'errore raro che nessuno intercetta e che nessun conto economico registra finché non si manifesta. Paradossalmente, modelli migliori rischiano di aggravare il problema anziché risolverlo. Nel 1983 la psicologa cognitiva Lisanne Bainbridge descrisse le ironie dell'automazione, osservando che più un sistema automatico è affidabile, meno l'operatore umano è allenato a intervenire quando fallisce. Errori più rari producono meno vigilanza, e l'errore residuo costa di più perché arriva in un'organizzazione che non se lo aspetta e non è allenata a gestirlo.

Resta aperta la questione di chi formerà le risorse junior di oggi. La capacità di riconoscere una clausola anomala si costruisce leggendo decine di contratti, sbagliando sotto la supervisione di qualcuno che insegna e corregge, rifacendo a mano un modello prima di fidarsi di output generati automaticamente. Lo studio NBER offre un indizio anche qui, dato che il rendimento senza assistente migliora in modo netto solo per chi ha unito un uso intenso dell'AI a un impegno personale prolungato sul compito. Tagliando i senior un'azienda elimina insieme i formatori e le occasioni di apprendimento, e dopo qualche ciclo si ritrova con documenti apparentemente impeccabili e nessuno capace di individuare errori e omissioni.

Chi valuta un'acquisizione o un investimento deve quindi mettere in conto un rischio che le analisi tradizionali non intercettano. Un'azienda che ha svuotato la fascia senior mostra un costo del personale più basso e margini migliori, e applicando i multipli vale di più, ma ha ceduto una parte della propria capacità di verifica e ha accresciuto la propria esposizione a perdite potenziali. La competenza interna andrebbe valutata come un presidio di rischio con un valore economico preciso, perché ridurla per contenere i costi produce un vantaggio di breve periodo e rimanda il conto a un esercizio futuro, dove può presentarsi con un importo molto più alto.