Cosa serve davvero per trattenere un professionista dell’AI?
Possiamo riempire gli uffici di hackathon, licenze premium, accessi ai frontier model, eventi sull’innovazione, titoli con AI dentro e dichiarazioni AI-first. Sono segnali interessanti, ma la retention delle competenze AI si gioca altrove.
Tempo per studiare
Tempo vero, dentro l’orario di lavoro. Leggere paper, testare modelli, confrontare benchmark, comprendere nuove architetture, studiare failure mode e tecniche di evaluation è parte della capacità produttiva. Se tutto questo viene relegato alle sere e ai weekend, l’impresa sta trasferendo sul lavoratore il costo di manutenzione del proprio capitale umano tecnologico.
Tempo per sperimentare
Non ogni ora deve produrre un deliverable. Replicare un paper, scartare un modello, costruire un benchmark interno o scoprire che un’architettura non funziona sono risultati professionali. La ricerca applicata produce valore anche attraverso ciò che consente di escludere.
Accesso reale a compute, dati e stack adeguati
Assumere competenze sofisticate e lasciarle dentro data silo, dataset senza lineage, pipeline fragili, ambienti legacy e procedure di accesso interminabili significa acquistare capacità cognitiva e impedirle di produrre.
Technical autonomy
Un professionista deve poter contestare una metrica, dichiarare insufficiente un dataset, segnalare drift, bias e uncertainty, chiedere ulteriori test o fermare un deployment. Responsabilità senza capacità di incidere sulle decisioni produce accountability solo sulla carta.
Diritto al dissenso scientifico
Nell’AI esistono risultati probabilistici, evidenze incomplete e fenomeni ancora poco compresi. Scrivere “le evidenze disponibili non consentono questa conclusione” deve essere considerato rigore professionale, non resistenza all’innovazione.
Problemi all’altezza delle competenze
Assumere specialisti per trasformarli in produttori seriali di prompt, chatbot e PoC destinati alle presentazioni aziendali è una forma costosa di dispersione del capitale umano.
Manager capaci di governare competenze che non possiedono
Il micromanagement diventa particolarmente distruttivo quando chi controlla comprende tecnicamente meno di chi viene controllato. Servono obiettivi, responsabilità, confini decisionali e fiducia.
Crescita del capitale cognitivo
È forse la condizione più nuova. L’AI può aumentare enormemente la produttività individuale e contemporaneamente sottrarre occasioni di analisi, debugging, modellizzazione e costruzione autonoma delle soluzioni. Un buon ambiente professionale deve fare in modo che, mentre aumenta la capacità delle macchine, continui ad aumentare anche il valore cognitivo delle persone che lavorano con esse.
Fair pay, flessibilità, rispetto e trasparenza restano fondamentali. Per i professionisti dell’AI oggi si aggiunge la possibilità di continuare a diventare migliori proprio mentre diventano migliori le macchine.
Dottoressa Valeria Lazzaroli
Valeria Lazzaroli è Presidente dell’Ente Nazionale per l’Intelligenza Artificiale (ENIA) e Chief AI & Risk Officer di ARISK®, spin-off deeptech del Politecnico di Torino specializzato in AI per il Risk Management. Economista, psicologa del lavoro e sociologa dell’innovazione.