AI, così la conoscenza dei lavoratori diventa capitale

L’intelligenza artificiale non sta trasformando soltanto le attività che svolgiamo: sta cambiando anche il valore della conoscenza accumulata dalle persone. Uno studio di Harvard e MIT mostra come l’expertise dei lavoratori possa diventare un asset riutilizzabile dall’impresa, aprendo nuove questioni su dati, incentivi, proprietà e potere contrattuale.

Per capire davvero l’impatto dell’AI sul lavoro non basta chiedersi quali attività una macchina sia in grado di automatizzare. La domanda decisiva è un’altra: quanta conoscenza serve all’AI per svolgere quel lavoro e dove si trova oggi quella conoscenza?

Una parte è già nei manuali, nei database, nei software e nelle procedure aziendali. Ma una quota significativa rimane nelle persone: nella conoscenza dei clienti, nella gestione delle eccezioni, nelle relazioni, nel giudizio e nell’esperienza maturata sul campo.

È questo il punto di partenza di Labor as Capital: AI and the Ownership of Expertise, working paper di Zoë Cullen (Harvard), Danielle Li (MIT) e Shengwu Li (Harvard).

Il “knowledge gap”: quanto sapere resta nelle persone

Lo studio analizza le risposte di oltre 4.000 lavoratori full-time statunitensi e misura quanto della conoscenza necessaria per svolgere il proprio lavoro sia ancora fuori dai sistemi dell’impresa.

Secondo gli intervistati, circa il 40% della conoscenza professionale non è ancora formalizzata o catturata dall’organizzazione.

Si tratta soprattutto di competenze difficili da trasferire attraverso procedure standard: gestione di situazioni insolite, conoscenza delle persone e dei processi interni, capacità di giudizio e competenze costruite con l’esperienza.

Gli autori definiscono questo fenomeno come un knowledge gap: la distanza tra ciò che l’organizzazione possiede e ciò che il lavoratore sa effettivamente fare.

Il dato è importante perché mostra che l’AI non può essere adottata semplicemente acquistando un modello. Per funzionare in un contesto aziendale, deve poter accedere anche alla conoscenza specifica che rende possibile quel lavoro.

Perché l’AI non coincide con l’automazione

Una professione può essere tecnicamente molto esposta all’AI senza che l’impresa sia realmente in grado di automatizzarla.

Il motivo è il contesto.

Un modello può essere capace, in teoria, di svolgere determinate attività. Ma se le informazioni necessarie per farlo bene sono ancora nella testa dei lavoratori, nei loro comportamenti e nelle loro decisioni quotidiane, l’adozione concreta diventa più complessa.

Lo studio trova infatti una relazione tra un maggiore knowledge gap e una maggiore distanza tra potenziale teorico dell’AI e suo utilizzo effettivo. Gli autori sottolineano però che si tratta di una correlazione e non di una prova causale.

Il messaggio è comunque rilevante: la capacità tecnica dell’AI non basta. Serve anche la conoscenza organizzativa necessaria per applicarla.

Quando l’esperienza diventa un asset aziendale

Il vero cambiamento arriva quando l’esperienza dei lavoratori lascia tracce digitali.

Conversazioni, documenti, codice, decisioni, output, registrazioni e log possono diventare dati utilizzabili per addestrare sistemi di AI.

A quel punto una parte della conoscenza che prima era legata alla persona può diventare replicabile e riutilizzabile dall’organizzazione.

È qui che emerge la tesi centrale del paper: l’expertise può trasformarsi da una risorsa che l’impresa deve continuamente “affittare” attraverso il lavoro delle persone a una forma di capitale organizzativo che può essere utilizzata anche in futuro.

Il passaggio non è necessariamente negativo né inevitabile. Ma cambia gli equilibri economici.

Il paradosso: più condividi, più potresti diventare sostituibile

Se un lavoratore sa che ciò che insegna all’AI potrebbe aumentare la capacità dell’impresa di sostituirlo in futuro, può avere meno incentivi a condividere tutta la propria conoscenza.

È uno dei risultati più interessanti del modello economico sviluppato dagli autori.

Il lavoratore non necessariamente “resiste all’AI”. Può semplicemente reagire a un incentivo economico: trasferire conoscenza oggi potrebbe ridurre il proprio potere contrattuale domani.

Si crea così un possibile paradosso:

l’impresa ha bisogno che i lavoratori condividano conoscenza per costruire sistemi AI migliori, ma la stessa condivisione può ridurre il valore contrattuale futuro dei lavoratori.

Se questo conflitto non viene gestito, entrambe le parti possono perdere: l’impresa raccoglie meno conoscenza, l’AI migliora meno e la produttività potenziale rimane inutilizzata.

A chi appartengono i dati prodotti dal lavoro?

Da qui nasce una questione destinata a diventare sempre più importante: chi controlla la conoscenza prodotta durante il lavoro?

Lo studio considera diverse possibilità, tra cui limitare l’utilizzo dei dati, attribuire maggiori diritti individuali ai lavoratori oppure prevedere forme di controllo collettivo.

In un sottocampione di 200 lavoratori, il 62,8% dichiara di apprezzare una soluzione basata sul controllo individuale dei propri dati e sulla possibilità di negoziarne l’utilizzo. Il 57,7% sostiene restrizioni sull’uso dei dati raccolti passivamente, mentre il 46,7% mostra preferenza per una forma di proprietà collettiva.

Sono però preferenze dichiarate in uno scenario ipotetico, non una misura di ciò che i lavoratori farebbero necessariamente nella realtà.

Il limite della proprietà individuale

Anche attribuire ai singoli il controllo dei propri dati non risolve completamente il problema.

La conoscenza di un lavoratore può infatti migliorare un sistema AI che aumenta la capacità dell’impresa di sostituire o ridurre il potere contrattuale anche di altri lavoratori.

È quella che gli autori definiscono una esternalità di competizione.

La vendita individuale della propria conoscenza, quindi, può produrre effetti anche sugli altri. Da qui nasce il problema di come distribuire il valore generato quando l’expertise individuale diventa una risorsa collettivamente utilizzabile dall’impresa.

Il modello suggerisce che, in determinate condizioni, forme collettive di gestione possono affrontare meglio questo problema. Ma si tratta di un risultato teorico, non di una soluzione automaticamente applicabile a ogni organizzazione o ordinamento giuridico.

Dall’AI che sostituisce il lavoro all’AI che impara dal lavoro

Il contributo più interessante dello studio è forse proprio questo cambio di prospettiva.

Il dibattito sull’intelligenza artificiale tende a concentrarsi sulla domanda:

“Quali lavori può fare l’AI al posto delle persone?”

Il paper suggerisce di aggiungere almeno altre due domande:

• Da dove arriva la conoscenza necessaria per fare quei lavori?
• Chi controlla il valore creato quando quella conoscenza viene trasferita a un sistema AI?

Il problema, quindi, non riguarda soltanto la sostituzione occupazionale. Riguarda la trasformazione della conoscenza stessa.

Finché una competenza rimane tacita e incorporata nella persona, l’organizzazione deve continuare ad avere accesso a quella persona per utilizzarla.

Quando invece quella competenza può essere osservata, documentata, codificata e trasferita a un sistema, diventa potenzialmente replicabile.

Ed è proprio questa trasformazione che può modificare gli equilibri tra lavoratori e imprese.

L’AI trasforma il capitale umano in capitale organizzativo?

Non tutta l’esperienza può essere catturata dai dati e non tutta la conoscenza diventerà automaticamente proprietà dell’impresa.

Ma la direzione indicata dallo studio è significativa: l’AI può rendere una parte crescente dell’expertise umana trasferibile, misurabile e riutilizzabile.

Questo cambia il modo in cui le aziende dovranno affrontare formazione, gestione della conoscenza, governance dei dati e incentivi alla collaborazione.

Per i lavoratori, invece, diventa centrale capire come verrà utilizzata la conoscenza che producono quotidianamente e quali meccanismi permetteranno di partecipare al valore che quella conoscenza genera.

La vera trasformazione dell’AI, quindi, potrebbe non essere soltanto la sostituzione di alcune attività.

Potrebbe essere qualcosa di più profondo: la trasformazione dell’esperienza delle persone in un asset che l’organizzazione può conservare, replicare e utilizzare nel tempo.

La domanda decisiva diventa allora:

non solo cosa imparerà l’AI da noi, ma chi controllerà e valorizzerà ciò che l’AI avrà imparato da noi?