Il paradosso del lavoro aumentato
Un’organizzazione può installare l’intelligenza artificiale più sofisticata del mercato e restare, nelle decisioni che contano, esattamente dove era prima. È il paradosso che il Position Paper Il lavoro aumentato dall’intelligenza artificiale (CDTI, 2026) mette a fuoco con una frase netta: il lavoro è già aumentato dall’IA, ma non è ancora pienamente governato.
Le persone decidono più in fretta, con più dati, con più opzioni a disposizione. Decidono meglio? È una domanda diversa, ed è quella che nessun indicatore di adozione tecnologica riesce a catturare.
Questo non è un problema di adozione tecnologica. È un problema di scalabilità, lo stesso che The Scalability Game(2026) pone al centro parlando di crescita delle imprese: scalare non significa fare di più la stessa cosa, significa cambiare la grammatica con cui si decide quando il volume, la velocità o la complessità superano una certa soglia. L’IA sposta quella soglia più vicino, per ogni organizzazione, più in fretta di qualunque altra tecnologia abilitante degli ultimi vent’anni. Il rischio non è che le macchine decidano male. È che le persone continuino a decidere con gli stessi strumenti cognitivi di prima, mentre il volume e la velocità delle decisioni che l’IA rende possibili crescono senza che la capacità organizzativa di giudicarle cresca alla stessa velocità.
Dal fare al giudicare
The Scalability Game nasce per spiegare perché le imprese che crescono spesso si rompono e lo fa distinguendo due verbi che nel linguaggio corrente si usano come sinonimi: crescere e scalare. Crescere è fare di più la stessa cosa, con la stessa struttura, le stesse regole decisionali, la stessa grammatica organizzativa. Scalare è cambiare quella grammatica prima che il volume la rompa. È una distinzione che vale per il fatturato, per il numero di persone, per la complessità dei processi — e vale, con la stessa identica logica, per il giudizio.
L’intelligenza artificiale non aumenta il lavoro nel senso in cui lo intendevamo finora: non aumenta quante unità un’organizzazione produce a parità di persone. Aumenta quante decisioni, e quanto velocemente, passano nelle mani — o sotto gli occhi — di chi lavora.
Una persona che prima valutava dieci pratiche al giorno ora ne supervisiona cento; chi prima scriveva un’analisi ora la verifica; chi prima decideva ora convalida una decisione già pre-formulata. È un salto di scala del fare decisionale, non solo del fare. E un salto di scala, lo evidenzio nel libro, non si assorbe restando fermi sulla stessa grammatica; prima o poi la soglia critica arriva e la domanda non è se arriverà, ma se l’organizzazione avrà cambiato grammatica di giudizio in tempo.
La tesi di questa newsletter è semplice da enunciare e difficile da realizzare: nell’era dell’IA, scalare non significa più soltanto scalare l’operatività, le vendite, la struttura. Significa, prima di tutto, scalare la capacità di giudizio — la capacità organizzativa, non solo individuale, di produrre decisioni corrette e di correggerle quando non lo sono. Chi scala il lavoro senza scalare il giudizio non sta aumentando le proprie capacità, sta solo aumentando la velocità con cui può sbagliare.
Dove l’IA entra davvero: il piano decisionale
NEURON-SCALE®, il modello diagnostico al centro del libro, legge un’organizzazione su quattro piani: dichiarato(cosa dice di fare), strutturale (come è organizzata), decisionale (come decide davvero) e adattivo (come cambia quando le cose non vanno secondo il piano). L’intelligenza artificiale, nella pratica osservata in azienda, non entra in uno dei quattro piani a caso, entra quasi sempre dal piano decisionale, e ci entra prima e più in profondità di quanto l’organizzazione se ne renda conto.
Il Position Paper di CDTI descrive questo ingresso con un termine preciso: delega cognitiva. Non è la delega di un’esecuzione — che le organizzazioni praticano da sempre — ma la delega di una parte del pensare. L’IA propone un’opzione, una classificazione, una sintesi, una previsione e la persona, sempre più spesso, la adotta senza ripercorrerne il ragionamento. Il meccanismo che rende questa delega pericolosa ha un nome in letteratura, che il Position Paper riprende: automation bias, la tendenza sistematica a fidarsi di un output automatizzato più di quanto la sua reale affidabilità giustifichi, semplicemente perché proviene da un sistema che appare oggettivo, consistente, instancabile.
Il caso che il Position Paper cita per rendere concreto il rischio è ormai un classico degli studi sull’IA generativa in ambito professionale: Mata v. Avianca, la causa in cui due avvocati newyorkesi hanno presentato in tribunale precedenti giurisprudenziali generati da un chatbot — e semplicemente inesistenti — senza verificarli. Non è una storia di tecnologia che ha fallito: il sistema ha fatto esattamente quello che i modelli linguistici fanno, generare testo plausibile. È una storia di giudizio che non ha scalato alla stessa velocità della delega. Gli avvocati non hanno perso la capacità di verificare una citazione; hanno smesso di attivarla, perché il piano decisionale della loro prassi professionale non prevedeva più, in quel punto del processo, un passaggio di controllo autonomo dall’output dello strumento.
È esattamente il punto in cui NEURON-SCALE® e il Position Paper si parlano; il piano decisionale di un’organizzazione non è più leggibile guardando l’organigramma o le procedure scritte. Bisogna guardare dove, concretamente, un output dell’IA entra nella sequenza che porta a una decisione e se in quel punto esiste ancora un giudizio umano attivo, o solo una firma.
Il rischio sistemico: scalare l’incorreggibilità
C’è una frase nel mio paper Evolutionary Coherence Theory (ECT) che, scrivendola, pensavo si rivolgesse soprattutto a chi progetta sistemi organizzativi complessi in generale. Letta oggi, a fianco del Position Paper CDTI, suona quasi come una diagnosi anticipata:
se l’intelligenza artificiale amplifica le decisioni senza aumentarne la leggibilità, può addirittura scalare l’incorreggibilità.
È un’affermazione che va presa alla lettera. Scalare, nel linguaggio dell’ECT, non è neutro: non amplifica solo i risultati buoni, amplifica la struttura decisionale che li ha prodotti — difetti compresi. Un errore di giudizio che prima restava isolato in una decisione, con l’IA che ne moltiplica il volume e la velocità di applicazione, si ripete identico su mille decisioni prima che qualcuno se ne accorga. L’ECT formalizza questo limite con un costrutto che ho chiamato Evolutionary Absorption Threshold (EAT): la soglia oltre la quale l’intensità della trasformazione (Transformation Intensity, TI) che un’organizzazione sta assorbendo supera la sua capacità strutturale di correggersi. Quando TI resta sotto l’EAT, l’organizzazione impara e si corregge mentre cambia. Quando TI si avvicina all’EAT, i segnali di tensione si moltiplicano ma restano gestibili. Quando TI supera l’EAT, l’organizzazione continua a funzionare — spesso più in fretta che mai — ma ha perso la capacità di accorgersi dei propri errori prima che diventino sistemici.
È lo stesso meccanismo, raccontato con il linguaggio della fisica dei sistemi complessi, che spesso ho citato presentando il libro, a proposito della nozione di soglia critica: un sistema può assorbire perturbazioni crescenti senza cambiare visibilmente, fino al punto in cui una perturbazione in più, indistinguibile dalle precedenti, produce un salto di stato. L’intelligenza artificiale, per un’organizzazione, è esattamente questo tipo di perturbazione: crescente, spesso invisibile nei suoi effetti di breve periodo, capace di spostare l’intero sistema oltre la propria soglia di correggibilità senza che nessun singolo momento sembri quello decisivo. Il rischio sistemico, in altre parole, non è la singola decisione sbagliata presa con l’aiuto di un modello, è un’organizzazione che scala la propria capacità di decidere più in fretta di quanto scali la propria capacità di correggersi.
Da Human Oversight a Cognitive Governance
Il Position Paper di CDTI compie, nel suo impianto, un passaggio che merita di essere sottolineato perché è lo stesso passaggio che l’ECT propone con un linguaggio diverso. La prima generazione di risposte regolatorie e organizzative all’IA si è concentrata sulla Human Oversight: garantire che un umano sia presente, in qualche punto del processo, a supervisionare l’output della macchina. È un requisito necessario ma, da solo, insufficiente — e il caso Mata v. Avianca lo dimostra — la presenza umana nella catena decisionale non ha impedito l’errore, perché la presenza senza attivazione del giudizio non è supervisione, è solo un passaggio formale.
Il Position Paper propone quindi di spostare il baricentro dalla Human Oversight alla Cognitive Governance: non basta che un umano sia nel processo, bisogna che l’organizzazione governi attivamente come quell’umano giudica, verifica, corregge, con competenze, tempo, strumenti e responsabilità effettivamente allineati al compito. È un salto dalla presenza alla capacità, dalla forma alla sostanza del giudizio.
L’ECT arriva alla stessa conclusione per una strada diversa, quella della leggibilità dei sistemi. Il costrutto di Systemic Legibility distingue una leggibilità di primo ordine (L1: l’organizzazione riesce a leggere ciò che le accade intorno) da una Reflexive Legibility di secondo ordine (L2: l’organizzazione riesce a leggere il modo in cui essa stessa legge, decide e si corregge). La Cognitive Governance del Position Paper di CDTI è, in questi termini, un meccanismo di Reflexive Legibility applicato specificamente al rapporto fra persone e sistemi di IA: non monitorare solo le decisioni prese, ma rendere visibile e correggibile il processo di giudizio con cui vengono prese.
Questa convergenza non è un caso. Il costrutto di Judgment & Correctability dell’ECT — la capacità organizzativa, non solo individuale, di produrre giudizi e di correggerli quando necessario — descrive esattamente ciò che la Cognitive Governance cerca di costruire sul campo: non un controllo in più, ma una capacità organizzativa che deve scalare insieme al lavoro che l’IA rende possibile, non dopo di esso.
Implicazioni pratiche: dalle raccomandazioni alla grammatica organizzativa
Il Position Paper di CDTI chiude con nove raccomandazioni operative per governare il lavoro aumentato dall’IA. Non le riprendo tutte: tre, lette attraverso le lenti di 7FA3PS® e di NEURON-SCALE®, bastano a mostrare come la diagnosi del Position Paper si traduca in azioni concrete per chi guida un’organizzazione che scala.
Alfabetizzazione all’IA situata, non generica. Il Position Paper chiede percorsi di AI Literacy ritagliati sul compito reale delle persone, non corsi generici sul funzionamento dei modelli. È precisamente il fattore Identità di 7FA3PS®: un’organizzazione che scala non impone competenze uguali ovunque, le costruisce a partire da chi è, da ciò che il suo giudizio deve effettivamente fare.
Ridisegnare i punti di controllo nel flusso decisionale, non aggiungerne genericamente. La diagnosi NEURON-SCALE® del piano decisionale — dove entra l’IA, dove dovrebbe fermarsi il giudizio umano — è lo strumento con cui questa raccomandazione, altrimenti astratta, diventa una mappa operativa dei punti dell’organizzazione in cui la delega cognitiva va resa visibile e verificabile.
Presidiare deskilling e never-skilling. Il Position Paper distingue chi perde per non uso una competenza che aveva (deskilling) da chi non la sviluppa mai perché l’IA la sostituisce dal primo giorno (never-skilling). È il fattore Innovazione di 7FA3PS® visto al contrario: un’organizzazione che scala l’IA senza accorgersene può scalare anche la propria incapacità futura di giudicare senza di essa — un debito che si paga proprio nei momenti in cui il sistema sbaglia e serve un giudizio umano allenato a riconoscerlo.
Il filo comune alle nove raccomandazioni, visto da chi lavora ogni giorno sulla scalabilità delle organizzazioni, è che nessuna di esse chiede di frenare l’adozione dell’IA. Chiedono tutte, in forme diverse, di far scalare insieme due cose che per natura tendono a disallinearsi: la velocità con cui l’organizzazione può decidere e la capacità con cui può giudicare, verificare, correggersi.
Una tesi per l’era dell’intelligenza artificiale
The Scalability Game si apre con una tesi che vale per qualunque impresa in crescita: non si scala aumentando la velocità di ciò che si fa, si scala cambiando la grammatica con cui l’organizzazione decide. Il mio lavoro sull’ECT e il Position Paper CDTI mi spingono a riscrivere quella tesi per l’era dell’intelligenza artificiale, senza cambiarne la sostanza:
non si scala il lavoro aumentandone la velocità decisionale, si scala il lavoro aumentando, alla stessa velocità, la capacità organizzativa di giudicare quelle decisioni e di correggerle quando serve.
Non è una tesi contro l’intelligenza artificiale. È una tesi sulla disciplina che la sua adozione richiede — la stessa disciplina che separa, nel libro, le imprese che crescono rompendosi da quelle che crescono restando se stesse. L’IA non è la causa del rischio, è l’amplificatore più potente mai disponibile per un rischio che le organizzazioni portano con sé da sempre, quello di scalare il fare più in fretta di quanto scalino il giudicare.
La domanda con cui lascio chi legge non è se la propria organizzazione stia adottando l’IA — quella domanda, ormai, ha quasi sempre risposta affermativa. La domanda è un’altra: la capacità di accorgersi di un errore, e di correggerlo prima che si ripeta su scala, sta crescendo alla stessa velocità delle decisioni che l’IA rende possibili? Se la risposta non è immediata, è già un segnale.
Bibliografia essenziale
- Baccani, A., The Scalability Game — Per un’architettura d’impresa evolutiva, Bré Edizioni, 2026.
- Baccani, A., Evolutionary Coherence Theory (ECT) — working paper, settembre 2026.
- CDTI (Club Dirigenti Tecnologie dell’Informazione ETS), Il Lavoro Aumentato dall’Intelligenza Artificiale — Position Paper, novembre 2026.
- Greison, G., serie Scintille, Corriere.it.
- Mata v. Avianca, Inc., No. 22-cv-1461 (S.D.N.Y. 2023) — caso di riferimento su automation bias e verifica del giudizio professionale.
L’autore
Alessandro Baccani lavora al confine tra strategia, comportamento organizzativo e architettura dei sistemi. Da quasi trent’anni accompagna PMI, imprese familiari e startup italiane nei passaggi in cui la crescita ha smesso di bastare come risposta — quando il sistema è esposto a complessità oltre la propria soglia di integrazione e ciò che manca non è una soluzione migliore, ma una lettura più precisa di ciò che lo blocca.
Da questa pratica ha sviluppato NEURON-SCALE™, un modello diagnostico per il sistema impresa che assume la decisione come unità di analisi e rende osservabili i pattern che agiscono in profondità mentre in superficie tutto sembra procedere. È co-autore di TES MANAGEMENT SYSTEM™ (sistema di management trasformativo, evolutivo e scalabile per le PMI) e autore del serious board game The Scalability Game.
Alessandro è socio APCO, certificato CMC®/ICMCI (N. 20240009), Italian Certified Advisor UAE (ICA676) e Chief Happiness Officer certificato. Imprenditore e docente di Behavioural Science & Human Design.
© 2026 Alessandro Baccani. Tutti i diritti riservati.
