L’intelligenza artificiale e la formazione delle competenze professionali

L’apprendimento nell’era della delega cognitiva

di Manlio Carlo Soldani, Notaio in Domodossola

1. Il problema invisibile della produttività apparente

Quando parliamo di intelligenza artificiale nelle professioni, il dibattito pubblico si concentra quasi sempre sulla stessa domanda: l’AI sostituirà il lavoro umano? È una domanda legittima, ma probabilmente non è la più urgente. La questione più insidiosa, e quella che emerge con chiarezza dallo studio “How AI Impacts Skill Formation” condotto da Anthropic nel gennaio 2026, è un’altra: l’AI sta modificando il modo in cui acquisiamo le competenze necessarie per svolgere quel lavoro che, almeno per ora, non viene sostituito?

La risposta, documentata attraverso esperimenti controllati, è inequivocabile: sì, e in modo profondamente problematico.

Lo studio di Judy Hanwen Shen e Alex Tamkin ha coinvolto 52 sviluppatori software professionisti, chiedendo loro di completare task di programmazione con una libreria Python (Trio) che nessuno aveva mai usato prima. Metà dei partecipanti aveva accesso a un assistente AI (GPT-4o), l’altra metà no. I risultati sono stati sorprendenti per la loro chiarezza:

• Tempo di completamento: nessuna differenza significativa tra i due gruppi (p = 0.391)
• Competenze acquisite: il gruppo con AI ha ottenuto un punteggio inferiore del 17% nel quiz di valutazione (Cohen’s d = 0.738, p = 0.010)

In altre parole: l’AI non ha accelerato significativamente il lavoro, ma ha drasticamente compromesso l’apprendimento. Questa non è una buona notizia per la produttività, e tantomeno per la formazione professionale.

2. L’anatomia della delega cognitiva: sei modi di usare (e non imparare da) l’AI

La parte più interessante dello studio non è il risultato aggregato, ma l’analisi qualitativa di come i partecipanti hanno utilizzato l’AI. Attraverso la registrazione dello schermo e l’analisi delle interazioni, i ricercatori hanno identificato sei pattern distinti, con esiti radicalmente diversi.

2.1 I tre pattern “low-scoring” (24%-39% nel quiz)

1. AI Delegation (39% di competenze acquisite, 19.5 minuti)
Questi partecipanti hanno semplicemente chiesto all’AI di scrivere il codice e hanno copiato il risultato. Nessuna domanda concettuale, nessuna richiesta di spiegazioni. Il task è stato completato velocemente, ma le competenze acquisite sono state minime. È il pattern più pericoloso: massimizza l’efficienza immediata, minimizza l’apprendimento.

2. Progressive AI Reliance (35% di competenze, 22 minuti)
Questi partecipanti hanno iniziato chiedendo qualche domanda nel primo task, ma hanno progressivamente delegato tutto all’AI nel secondo task. Il risultato: hanno imparato qualcosa sul primo argomento, quasi nulla sul secondo. È il pattern della “pigrizia progressiva”: una volta scoperta la comodità della delega, vi si ricorre sempre più spesso.

3. Iterative AI Debugging (24% di competenze, 31 minuti)
Questi partecipanti hanno usato l’AI per debuggare e verificare il codice, chiedendo ripetutamente “è corretto?”, “perché non funziona?”, “puoi controllare?”. Hanno passato molto tempo interagendo con l’AI (fino a 15 query), ma hanno delegato la risoluzione dei problemi invece di risolverli autonomamente. Risultato: tempo sprecato e competenze non acquisite.

2.2 I tre pattern “high-scoring” (65%-86% nel quiz)

4. Conceptual Inquiry (86% di competenze, 22 minuti)
Questi partecipanti hanno usato l’AI solo per fare domande concettuali: “Come funziona questo meccanismo?”, “Qual è la differenza tra questi due approcci?”, “Perché si usa questa sintassi?”. Non hanno chiesto codice, hanno chiesto spiegazioni. Poi hanno scritto il codice da soli, incontrato errori, e risolto gli errori da soli. Risultato: massimo apprendimento, tempo medio di completamento.

5. Generation-Then-Comprehension (86% di competenze, 24 minuti)
Questi partecipanti hanno chiesto all’AI di generare il codice, ma poi hanno dedicato tempo a capire cosa avevano copiato. Hanno fatto domande di follow-up: “Perché hai usato questo approccio?”, “Cosa fa esattamente questa funzione?”, “Ci sono alternative?”. Il codice era stato generato dall’AI, ma la comprensione era stata costruita attivamente.

6. Hybrid Code-Explanation (68% di competenze, 24 minuti)
Questi partecipanti hanno composto query che chiedevano sia codice che spiegazioni: “Genera il codice per X e spiegami come funziona”. Hanno poi letto attentamente le spiegazioni prima di procedere. Tempo leggermente maggiore, ma competenze ben acquisite.

2.3 La lezione fondamentale: lo sforzo cognitivo non si delega

Ciò che distingue nettamente i pattern high-scoring da quelli low-scoring non è la quantità di AI utilizzata, ma la qualità dello sforzo cognitivo esercitato durante l’utilizzo. I partecipanti che hanno imparato di più sono quelli che hanno usato l’AI come un tutor, non come un sostituto. Hanno chiesto spiegazioni, hanno cercato di capire, hanno incontrato errori e li hanno risolti autonomamente.

I partecipanti che hanno imparato di meno sono quelli che hanno delegato il pensiero: hanno chiesto soluzioni pronte, hanno copiato senza capire, hanno usato l’AI per debuggare invece di imparare a debuggare.

La scoperta cruciale è questa: l’apprendimento professionale si costruisce attraverso lo sforzo cognitivo sostenuto, l’incontro con le difficoltà e la loro risoluzione autonoma. Quando deleghiamo questo sforzo all’AI, non stiamo semplicemente risparmiando tempo: stiamo rinunciando all’opportunità di costruire competenze.

3. Il ruolo degli errori nell’apprendimento: ciò che la delega elimina

C’è un altro dato dello studio che merita attenzione: i partecipanti nel gruppo senza AI hanno incontrato molti più errori durante il task. In media, il gruppo di controllo ha incontrato 3 errori (mediana), mentre il gruppo con AI ne ha incontrati solo 1. E non tutti gli errori sono uguali: il gruppo di controllo ha incontrato molti più errori concettuali legati alla libreria Trio (RuntimeWarning, TypeError), mentre il gruppo AI ha incontrato principalmente errori sintattici banali (NameError, AttributeError).

Perché questo è rilevante? Perché gli errori concettuali sono opportunità di apprendimento. Quando un programmatore incontra un RuntimeWarning che dice “coroutine was never awaited”, è costretto a confrontarsi con il concetto di coroutine, await, e esecuzione asincrona. Quando risolve quell’errore, ha imparato qualcosa di fondamentale sulla libreria.

Il partecipante che ha delegato la scrittura del codice all’AI non ha mai incontrato quell’errore. Ha ottenuto un codice che funziona, ma non ha mai dovuto confrontarsi con il concetto che quell’errore gli avrebbe insegnato. E quando, nel quiz, gli è stato chiesto di identificare un errore di quel tipo, non ha saputo riconoscerlo.

Questa è la dinamica più insidiosa della delega cognitiva: non elimina solo lo sforzo, elimina anche le difficoltà che costruiscono la competenza. È come imparare ad andare in bicicletta senza mai cadere: tecnicamente possibile, praticamente impossibile.

4. Le implicazioni per la formazione professionale: tre scenari

Cosa significa tutto questo per la formazione dei professionisti nell’era dell’AI? Dipende profondamente dal tipo di competenze che stiamo considerando.

4.1 Le competenze deterministiche e la supervisione automatizzabile

Per le professioni che operano in domini con regole deterministiche e risultati verificabili oggettivamente (ingegneria, matematica, fisica, informatica, economia quantitativa), l’AI rappresenta un potente acceleratore, ma anche un rischio per la formazione.

Scenario positivo: L’AI diventa un tutor personalizzato che genera spiegazioni, esempi, esercizi calibrati sul livello dello studente. Gli studenti usano l’AI come i partecipanti “high-scoring” dello studio: per chiedere spiegazioni, verificare comprensione, esplorare alternative. La formazione si accelera e si migliora.

Scenario negativo: L’AI diventa un sostituto cognitivo. Gli studenti delegano la risoluzione dei problemi, ottengono risultati senza capire il processo, completano i corsi senza acquisire competenze. Quando poi devono lavorare autonomamente o, peggio, supervisionare l’output dell’AI in contesti professionali, scoprono di non avere gli strumenti necessari.

La verità è che, in questi domini, anche la supervisione potrà progressivamente essere automatizzata. Se un codice funziona o non funziona è verificabile con test automatici. Se un calcolo strutturale è corretto o no è verificabile con simulazioni. Se un modello statistico è ben specificato o no è verificabile con diagnostiche standard. L’AI non solo può generare questi output, ma può anche verificarli, testarli, validarli.

In altre parole: nelle professioni deterministiche, il ruolo umano si sposterà verso livelli di supervisione sempre più alti, finché l’unico ruolo davvero insostituibile sarà quello della definizione degli obiettivi e dei vincoli. Ma per arrivare a quel livello, occorre prima aver costruito le competenze di base attraverso l’esperienza diretta, inclusi gli errori e le difficoltà.

4.2 Le competenze discrezionali e la supervisione insostituibile

Per le professioni che operano in domini con logiche discrezionali, probabilistiche e contestuali (diritto, medicina clinica, consulenza strategica, architettura), la situazione è radicalmente diversa.

Un contratto non si “esegue” per verificarne la correttezza. Non c’è un test automatico che dice “questo contratto è adeguato per la fattispecie X”. Un contratto si valuta attraverso un esercizio di giudizio che richiede:

• La conoscenza dell’intero sistema giuridico (non solo della materia specifica, ma anche delle sue interazioni con altre aree)
• La capacità di anticipare scenari patologici (non solo quelli fisiologici previsti dal contratto)
• La valutazione del contesto specifico (le prassi del settore, la giurisprudenza locale, gli usi negoziali)
• L’integrazione di elementi probatori e fattuali che non sono mai completamente formalizzabili

Questo tipo di valutazione non è automatizzabile, perché non si basa su regole deterministiche ma su giudizio professionale costruito attraverso anni di esperienza, studio, e confronto con casi concreti.

Ma qui emerge il paradosso più pericoloso: proprio perché queste competenze non sono automatizzabili, sono anche le più difficili da trasmettere e da acquisire. E l’AI, se usata come strumento di delega invece che di apprendimento, può compromettere gravemente questo processo di acquisizione.

Immaginiamo un giovane avvocato o notaio che, durante il tirocinio, delega sistematicamente la redazione di contratti all’AI. Il contratto prodotto è formalmente corretto, grammaticalmente ineccepibile, strutturato secondo gli schemi standard. Il tutor lo approva, il cliente è soddisfatto, il contratto viene firmato. Tutto bene?

No. Perché quel giovane professionista non ha mai dovuto confrontarsi con le domande che costruiscono il giudizio professionale:

• Quali sono i rischi specifici di questa operazione?
• Quali clausole servono per proteggerli?
• Come si bilanciano gli interessi delle parti?
• Quali sono le conseguenze fiscali e commerciali di questa formulazione?
• Cosa potrebbe andare storto tra tre anni?

Queste domande non hanno risposte algoritmiche. Richiedono esperienza, intuizione, capacità di anticipazione. E si costruiscono attraverso il confronto ripetuto con casi concreti, inclusi (e soprattutto) i casi problematici e gli errori.

4.3 La vera questione: quali competenze sopravvivranno?

Ecco la conclusione che emerge dall’analisi: non sono le competenze necessarie per la supervisione banale che sopravvivranno all’AI (quelle, come abbiamo visto, potranno progressivamente essere automatizzate anche loro), ma le competenze discrezionali, contestuali e probabilistiche che richiedono giudizio professionale.

Ma queste competenze hanno una caratteristica peculiare: non si possono acquisire attraverso la delega. Si acquisiscono attraverso:

• L’esperienza diretta con casi concreti e variabili
• Il confronto ripetuto con situazioni non standard
• L’incontro con errori e la loro risoluzione
• La necessità di integrare regole astratte con contesti specifici
• Lo sviluppo di intuizioni che vengono solo dall’esperienza prolungata

In altre parole: le competenze che sopravvivranno all’AI sono esattamente quelle che l’uso scorretto dell’AI rischia di non farci acquisire.

5. Verso un nuovo modello di formazione professionale

Cosa fare, allora? Vietare l’uso dell’AI nella formazione? Ovviamente no. L’AI è uno strumento straordinario, e usato correttamente può accelerare e migliorare l’apprendimento. La questione è il come.

5.1 I principi di un uso formativo dell’AI

Dallo studio emergono alcuni principi chiari:

1. Privilegiare le domande sulle risposte
I partecipanti che hanno imparato di più sono quelli che hanno usato l’AI per porre domande, non per ottenere risposte. “Perché?” è più formativo di “Come?”, e infinitamente più formativo di “Fallo tu”.

2. Generare prima, capire dopo
Se si deve usare l’AI per generare un output (un codice, una bozza di contratto), è fondamentale investire tempo per capire cosa è stato generato e perché. La generazione senza comprensione è delega, non formazione.

3. Incontrare e risolvere errori autonomamente
Gli errori sono opportunità di apprendimento. Un formazione che elimina sistematicamente gli errori (attraverso l’uso dell’AI o qualsiasi altro strumento) elimina anche l’apprendimento. È necessario creare spazi protetti dove si può sbagliare, incontrare difficoltà, e risolverle.

4. Variare i pattern di utilizzo
Non sempre usare l’AI allo stesso modo. A volte usarla come tutor (domande concettuali), a volte come generatore con verifica attenta, a volte non usarla affatto. La competenza si costruisce attraverso la varietà dell’esperienza.

5. Misurare l’apprendimento, non solo l’output
Il rischio di misurare solo la produttività immediata è che si premiano i pattern di delega cognitiva. È necessario misurare anche e soprattutto l’acquisizione di competenze, attraverso valutazioni che testino comprensione profonda, non solo capacità di produrre output accettabili.

5.2 Implicazioni per le professioni giuridiche

Per le professioni giuridiche in particolare, il modello di formazione dovrà necessariamente evolversi:

Durante la formazione universitaria:

• Insegnare l’uso critico dell’AI come strumento di ricerca e comprensione, non di sostituzione
• Creare esercizi che richiedano giudizio discrezionale non automatizzabile
• Valutare la capacità di identificare quando un output apparentemente corretto è in realtà inadeguato per il contesto

Durante il tirocinio professionale:

• Esporre i giovani professionisti a casi concreti variabili e non standard
• Richiedere la redazione autonoma prima di utilizzare AI come verifica
• Analizzare criticamente gli output dell’AI identificando punti di forza e debolezza
• Creare momenti di riflessione esplicita su “cosa ho imparato da questo caso?”

Nella pratica professionale:

• Utilizzare l’AI per accelerare le parti standardizzabili, ma mantenere il giudizio professionale sulle parti discrezionali
• Documentare le decisioni professionali in modo da costruire memoria esplicita delle ragioni
• Aggiornare continuamente le proprie competenze attraverso formazione che integri AI come strumento, non come sostituto

6. Conclusione: la responsabilità resta, la competenza va costruita

Lo studio di Shen e Tamkin ci consegna un messaggio chiaro: l’AI può essere un acceleratore formidabile dell’apprendimento, ma solo se usata con sforzo cognitivo intenzionale. Usata come strumento di delega, erode proprio le competenze che dovrebbe aiutarci a costruire.

Per le professioni deterministiche, questo significa accettare che molte competenze operative diventeranno progressivamente automatizzabili, e concentrarsi su quelle di livello superiore. Ma per arrivarci, bisogna prima costruire le basi attraverso l’esperienza diretta.

Per le professioni discrezionali come quella notarile, il quadro è diverso: le competenze di giudizio professionale resteranno centrali e insostituibili. Ma proprio per questo, la loro formazione non può essere delegata. Richiede confronto diretto con casi concreti, esperienza di errori e difficoltà, costruzione di intuizioni che vengono solo dalla pratica prolungata.

La responsabilità professionale non si delega. Non si è mai potuta delegare e non si potrà mai delegare. Ma per esercitare quella responsabilità in modo competente, servono competenze che nessun assistente AI può sostituire: solo lo studio rigoroso, l’esperienza diretta, e soprattutto lo sforzo cognitivo sostenuto possono costruirle.

L’AI è qui per restare. Ma il modo in cui la useremo durante la formazione determinerà quali professionisti saremo in grado di diventare. La scelta è nostra, ed è una scelta che si fa giorno per giorno, caso per caso, ogni volta che decidiamo se chiedere all’AI di risolvere un problema o se usarla per capire come risolverlo noi stessi.

Riferimenti:

Judy Hanwen Shen, Alex Tamkin – “How AI Impacts Skill Formation” – arXiv:2601.20245v1, 28 gennaio 2026.

Manlio Carlo Soldani
Notaio in Domodossola
Via Camillo Prampolini n. 14
Collegio Notarile di Verbania
domodossola@notaiosoldani.it | 0324 066077

 

---

Il presente articolo ha carattere generale e informativo, non costituisce parere legale personalizzato e non sostituisce la consulenza diretta con un notaio. Per assistenza specifica relativa alla vostra situazione, vi invitiamo a contattare il nostro Studio per fissare un appuntamento.  Contenuto generato con sistemi di Intelligenza Artificiale e supervisionato da professionisti dello Studio Notarile, in conformità ai requisiti di trasparenza del Regolamento UE 2024/1689 (AI Act).