Cosa studiare per il futuro dipende da una regola semplice: più un compito è ripetitivo e vincolato, più l’intelligenza artificiale lo automatizza. Il vantaggio umano resta nelle competenze che collegano domini diversi, come il pensiero analogico, il giudizio in condizioni di incertezza e la capacità di imparare in fretta cose nuove.
Indice del saggio
- Perché specializzarsi presto è diventata una strategia rischiosa?
- Cosa insegna il paradosso di Moravec su quali competenze sopravvivranno?
- Competenza 1: perché il pensiero analogico vale più di dieci anni di specializzazione?
- Competenza 2: perché gli outsider risolvono problemi che gli esperti non risolvono?
- Competenza 3: come si impara davvero, e perché imparare è sempre scomodo?
- Competenza 4: perché un professionista a T non basta più?
- Competenza 5: come si evita di diventare il tacchino di Taleb?
- Competenza 6: perché conviene provare prima di pianificare?
- Competenza 7: cosa significa essere un dilettante deliberato?
- Come costruire il tuo range da domani?
- Domande frequenti su cosa studiare per il futuro
- Cosa conviene studiare per avere un futuro professionale solido?
- La regola delle diecimila ore è ancora valida?
- Quali lavori sono più a rischio con l'intelligenza artificiale?
- È meglio essere specialisti o generalisti?
- Come si allena il pensiero analogico?
- È troppo tardi per cambiare strada a trenta o quarant'anni?
- Cosa ti porti via da questo saggio?
- Saggi consigliati
- Libri consigliati
- Fonti
Per decenni il consiglio che hai ricevuto è stato sempre lo stesso: scegli presto, specializzati, accumula ore su una sola disciplina finché diventi il più bravo. È un consiglio che ha costruito carriere solide per due generazioni, e proprio per questo nessuno lo mette in discussione. Il problema è che il terreno su cui era stato pensato non esiste più: oggi un modello linguistico impara in poche settimane competenze che a una persona costano anni, e chi ha scommesso tutto su una sola trincea scopre che il nemico è arrivato dal fianco.
Nel 2019 il giornalista scientifico David Epstein ha pubblicato Range, un libro che mette alla prova il mito della specializzazione precoce con decenni di ricerca in psicologia, sport, scienza e innovazione. Le sue conclusioni, rilette alla luce dell’intelligenza artificiale generativa, sono diventate più urgenti di quanto lui stesso potesse immaginare. In questo saggio le metto alla prova del presente e le traduco in sette competenze concrete. Alla fine trovi le sette mosse che sto usando io per costruire il mio range, ma prima devi capire perché la strada più battuta è diventata la più pericolosa.
Perché specializzarsi presto è diventata una strategia rischiosa?
Specializzarsi presto funziona solo in ambienti con regole stabili e riscontri immediati, come gli scacchi o il golf. Nel lavoro reale le regole cambiano continuamente, e i compiti ripetitivi in cui eccelle lo specialista sono esattamente quelli che l’intelligenza artificiale impara a svolgere più in fretta e a costo più basso.
La specializzazione estrema è una strategia evolutiva che ha senso in un ecosistema stabile, dove la specie più adattata a una nicchia precisa domina finché la nicchia resta uguale. Quando l’ambiente cambia, però, sono proprio le specie più specializzate a estinguersi per prime, perché non hanno alternative su cui ripiegare. È la stessa dinamica che oggi colpisce interi mestieri: chi ha costruito la propria carriera su una competenza verticale e ripetibile si ritrova a competere con macchine che quella competenza la replicano senza stancarsi mai.
Cosa distingue un ambiente gentile da uno ostile?
Lo psicologo Robin Hogarth ha proposto una distinzione che Epstein usa come chiave di tutto il libro. Negli ambienti che Hogarth chiama gentili (kind) le regole sono chiare, gli schemi si ripetono e il riscontro arriva subito ed è accurato: il giocatore di golf vede dove finisce la palla, lo scacchista sa in poche mosse se la sua idea funzionava. Negli ambienti ostili (wicked) le regole cambiano mentre giochi, gli schemi non si ripetono mai allo stesso modo e il riscontro arriva tardi, è distorto oppure non arriva affatto.
Il punto che quasi tutti trascurano è che il mondo in cui costruisci una carriera, lanci un progetto o prendi decisioni importanti appartiene quasi sempre alla seconda categoria. Trattare la propria vita professionale come una partita di golf è rassicurante, perché promette che basta ripetere abbastanza per migliorare, ma è una mappa sbagliata del territorio.
Le diecimila ore valgono ancora qualcosa?
La famosa regola delle diecimila ore, resa popolare da Malcolm Gladwell, è una semplificazione di uno studio dello psicologo Anders Ericsson sui violinisti di un conservatorio di Berlino. Ericsson stesso ha contestato più volte quella lettura, ricordando che il tipo di pratica conta molto più del numero di ore e che i suoi risultati riguardavano ambienti strutturati come la musica e gli scacchi.
Epstein aggiunge un dato che ribalta l’intuizione comune: in molti sport gli atleti che raggiungono il livello d’élite hanno praticato più discipline durante l’infanzia e si sono specializzati più tardi rispetto ai coetanei rimasti al livello inferiore. L’ampiezza dell’esperienza iniziale costruisce una base di coordinazione e adattabilità che la specializzazione precoce non fornisce, e quella base diventa un vantaggio proprio quando il gioco si fa complesso.
Cosa insegna il paradosso di Moravec su quali competenze sopravvivranno?
Il paradosso di Moravec afferma che ciò che è difficile per un essere umano è spesso facile per una macchina, e viceversa. Calcolo, memoria e ripetizione si automatizzano bene; giudizio, strategia e capacità di muoversi in situazioni nuove restano difficili. È lì che conviene investire lo studio.
Negli anni Ottanta un gruppo di ricercatori di intelligenza artificiale, tra cui Hans Moravec, Rodney Brooks e Marvin Minsky, notò un fenomeno curioso: i computer risolvevano senza fatica problemi che agli esseri umani costano anni di studio, come calcolare o giocare a scacchi, mentre faticavano enormemente con abilità che un bambino padroneggia senza pensarci, come riconoscere un oggetto in una stanza disordinata o camminare su un terreno irregolare.
Il paradosso di Moravec in breve. Le abilità che l’evoluzione ha affinato in milioni di anni, come percepire, muoversi e capire situazioni nuove, sono difficili da replicare per una macchina. Le abilità che l’essere umano ha imparato di recente, come il calcolo formale, sono facili. Per questo l’automazione colpisce prima i compiti cognitivi ripetitivi e solo dopo il giudizio in contesti aperti.
Cosa è successo quando Kasparov ha giocato con un computer al fianco?
Nel 1997 Garry Kasparov fu sconfitto dal supercomputer Deep Blue di IBM. Invece di arroccarsi nella difesa della superiorità umana, Kasparov trasse una conclusione strategica: se la tattica, cioè il dominio della pratica ripetuta, poteva essere superata da una macchina, il valore umano doveva spostarsi sulla strategia. L’anno successivo organizzò a León una partita di “scacchi avanzati”, in cui ogni giocatore era affiancato da un computer.
Un mese prima Kasparov aveva battuto il grande maestro Veselin Topalov per 4 a 0 in partite rapide. Con un computer al fianco di entrambi, la sfida finì 3 a 3: il vantaggio tattico che Kasparov aveva accumulato in decenni di pratica era stato neutralizzato dalla macchina. Negli anni seguenti, nei tornei aperti a squadre miste di umani e computer, a vincere furono spesso giocatori che non erano grandi maestri, perché la loro forza stava nel coordinare le macchine e decidere la strategia sotto pressione.
Perché la strategia resiste meglio della tattica all’automazione?
La tattica è un problema chiuso: data una posizione, esiste una mossa migliore, e una macchina con abbastanza potenza di calcolo la trova. La strategia è un problema aperto, perché richiede di scegliere quale partita giocare, quali informazioni contano, quando cambiare piano e quale rischio accettare. Il confine tra ciò che le macchine fanno da sole e ciò che fanno solo se qualcuno lo ordina si sposta ogni anno, ma resta stabile su un punto: l’iniziativa e il rischio restano umani, perché qualcuno deve decidere dove andare e pagarne le conseguenze.
Competenza 1: perché il pensiero analogico vale più di dieci anni di specializzazione?
Il pensiero analogico è la capacità di riconoscere la stessa struttura profonda in problemi che appartengono a mondi diversi. La ricerca lo associa con costanza alla capacità di innovare e di risolvere problemi nuovi, ed è difficile da automatizzare perché richiede connessioni tra domini lontani che nessuno ha chiesto di fare.
Se dovessi scegliere una sola competenza da allenare per i prossimi dieci anni, sceglierei questa. Le macchine sono bravissime a trovare schemi dentro un dominio che hanno già visto; la mente umana è ancora l’arma migliore per importare una soluzione da un territorio lontano in uno sconosciuto, ed è lì che nascono quasi tutte le scoperte che contano.
Come ragionava Keplero quando i conti non tornavano?
All’inizio del Seicento Giovanni Keplero lavorava sui dati raccolti da Tycho Brahe sull’orbita di Marte. Dopo anni di calcoli, le sue previsioni differivano dalle osservazioni di otto minuti d’arco, una fetta di cielo minuscola che quasi chiunque avrebbe attribuito a un errore di misura. Keplero scelse di fidarsi dei dati e di buttare il proprio modello.
Per trovarne uno nuovo cominciò a ragionare per analogie: paragonò la forza che muove i pianeti alla luce, al calore, all’odore, al moto delle barche spinte dalla corrente, cercando in ognuno di questi fenomeni una struttura causale da trasferire nel cielo. Molte analogie si rivelarono sbagliate, ma il metodo lo portò a scoprire che le orbite sono ellittiche, una delle svolte più importanti della storia della scienza.
Cosa ha scoperto Kevin Dunbar nei laboratori di ricerca?
Lo psicologo Kevin Dunbar ha passato mesi a osservare le riunioni settimanali di diversi laboratori di biologia molecolare per capire come nascono davvero le scoperte. Ha trovato una regolarità netta: i gruppi che producevano più risultati erano quelli formati da ricercatori con formazioni diverse, che usavano spesso analogie prese da campi lontani dal problema in discussione.
In un caso che Epstein racconta, due laboratori affrontavano lo stesso problema sperimentale nello stesso periodo. Il laboratorio misto, con persone provenienti da chimica, fisica, medicina e genetica, lo risolse in una sola riunione grazie a un’analogia presa dalla medicina. Il laboratorio composto solo da specialisti dello stesso batterio impiegò settimane di tentativi. Nel gruppo più omogeneo di tutti le analogie quasi non comparivano, e le scoperte nemmeno.
Cosa misura il test di Dedre Gentner?
La psicologa Dedre Gentner ha costruito un test con una serie di carte, ognuna delle quali descrive un fenomeno reale preso da campi diversi: economia, ecologia, fisica, psicologia. Il compito è raggrupparle. Quasi tutti gli studenti le raggruppano per argomento, mettendo insieme i fenomeni economici con quelli economici; pochi riescono a raggrupparle per struttura causale, accorgendosi per esempio che una bolla finanziaria e lo scioglimento dei ghiacci condividono lo stesso meccanismo di retroazione che si autoalimenta.
Il risultato più interessante riguarda chi ci riesce: sono soprattutto gli studenti che hanno seguito corsi in domini diversi. La capacità di vedere strutture profonde cresce con la varietà di ciò che hai studiato, più che con la profondità in un singolo campo.
Competenza 2: perché gli outsider risolvono problemi che gli esperti non risolvono?
Chi arriva da un campo lontano guarda un problema senza i presupposti degli specialisti, e porta strumenti che nel settore nessuno usa. I dati di InnoCentive mostrano che più un problema è lontano dalla formazione di chi lo risolve, più è probabile che la soluzione arrivi.
InnoCentive è una piattaforma su cui aziende e istituzioni pubblicano problemi che i loro esperti non sono riusciti a risolvere, offrendo una ricompensa a chiunque trovi la soluzione. Analizzando i risultati, il ricercatore della Harvard Business School Karim Lakhani ha trovato un dato controintuitivo: la probabilità di successo cresceva quando il problema era lontano dalla specializzazione di chi lo risolveva.
Quali problemi hanno risolto gli outsider?
Due casi raccontati da Epstein rendono l’idea meglio di qualsiasi statistica. La NASA cercava da decenni un metodo affidabile per prevedere le tempeste di particelle solari, un rischio serio per gli astronauti; la soluzione arrivò da un ingegnere in pensione del New Hampshire, che applicò al problema la sua esperienza con le onde radio. Dopo il disastro della petroliera Exxon Valdez, il petrolio raccolto in acque gelide restava troppo denso per essere pompato fuori dalle chiatte; un chimico dell’Illinois immaginò il greggio freddo come una granita e propose di usare i vibratori impiegati nei cantieri per mantenere fluido il calcestruzzo, un’idea nata da un lavoro estivo fatto anni prima.
In entrambi i casi la conoscenza decisiva esisteva già, ma stava in un campo che gli specialisti del settore non frequentavano.
Cos’è la conoscenza pubblica non scoperta?
Lo studioso dell’informazione Don Swanson, dell’Università di Chicago, ha dato un nome a questo fenomeno: conoscenza pubblica non scoperta. Quando due letterature scientifiche diverse contengono ciascuna metà di una scoperta, e nessuno legge entrambe, la scoperta resta invisibile pur essendo tutta pubblicata. Più gli esperti producono conoscenza specialistica, più aumentano le occasioni per chi è curioso abbastanza da collegare fili che nessuno ha pensato di unire. È una nicchia ecologica enorme, e quasi nessuno la occupa.
Competenza 3: come si impara davvero, e perché imparare è sempre scomodo?
Si impara davvero attraverso le difficoltà desiderabili: distribuire lo studio nel tempo, mescolare argomenti diversi e mettersi alla prova spesso. Sono strategie che peggiorano la sensazione di competenza nell’immediato, ma migliorano molto la memoria e la capacità di applicare ciò che sai a problemi nuovi.
In un mondo in cui le competenze invecchiano in fretta, la competenza più preziosa è imparare bene e in fretta quella successiva. E qui la ricerca dice qualcosa che quasi tutti ignorano: il modo in cui la maggior parte delle persone studia è esattamente il contrario di quello che funziona.
Cosa sono le difficoltà desiderabili di Robert Bjork?
Lo psicologo Robert Bjork ha chiamato difficoltà desiderabili gli ostacoli che rendono l’apprendimento più faticoso nel breve periodo e più solido nel lungo. Le tre più documentate sono lo spacing, cioè distribuire lo studio nel tempo invece di concentrarlo; l’interleaving, cioè mescolare argomenti o tipi di problemi diversi invece di ripetere lo stesso blocco; e il testing, cioè provare a richiamare ciò che sai invece di rileggerlo. Ho spiegato i meccanismi della memoria che le rendono efficaci nel saggio su come funziona l’oblio.
Le tre difficoltà desiderabili in breve. Spacing: rivedere un argomento dopo intervalli crescenti. Interleaving: alternare problemi di tipo diverso nella stessa sessione. Testing: chiudere il libro e ricostruire a memoria. Tutte e tre danno la sensazione di imparare meno, e producono un apprendimento che dura di più.
Perché gli insegnanti più amati preparano peggio gli studenti?
Lo studio più eloquente che Epstein riporta viene dall’Accademia dell’aeronautica degli Stati Uniti, dove migliaia di cadetti vengono assegnati in modo casuale ai corsi di analisi matematica. Gli economisti Scott Carrell e James West hanno seguito i loro risultati negli anni successivi e hanno scoperto che gli insegnanti i cui studenti andavano meglio all’esame immediato, e che ricevevano le valutazioni migliori dagli studenti stessi, erano spesso quelli i cui studenti andavano peggio nei corsi avanzati. Gli insegnanti che lasciavano i cadetti più frustrati li preparavano meglio per gli anni successivi.
Un’analisi simile sugli studenti della Bocconi di Milano ha trovato lo stesso schema, il che suggerisce che il fenomeno riguarda il modo in cui funziona l’apprendimento più che una cultura particolare. La facilità è il segnale più ingannevole che esista, perché produce una sensazione di padronanza che evapora proprio nel momento in cui ti servirebbe.
Competenza 4: perché un professionista a T non basta più?
Il modello a T, una base larga di conoscenze con una sola competenza profonda, regge sempre peggio, perché l’intelligenza artificiale replica la competenza verticale pura con costi sempre più bassi. Il valore si sposta sull’integrazione tra più competenze profonde, che è ciò che le macchine faticano a fare.
Per anni il profilo ideale è stato quello del professionista a T, un’immagine resa popolare da Tim Brown della società di design IDEO: una base orizzontale di cultura generale e un’unica verticale di eccellenza. Era una risposta intelligente all’eccesso di specializzazione, ma oggi ha un punto debole evidente, perché la singola verticale è proprio la parte che un modello addestrato a dovere riesce a imitare.
Come si costruisce un profilo a pettine?
L’alternativa è un profilo a pettine: una base larga e tre o quattro denti profondi in campi diversi ma complementari. Il valore sta nelle connessioni tra i denti più che in ognuno preso da solo, ed è quello lo spazio in cui un concorrente, umano o artificiale, fatica a raggiungerti.
Per sceglierli uso un criterio in tre passaggi. Il primo dente risponde alla domanda del mercato, perché deve permetterti di guadagnare. Il secondo segue la curiosità, perché senza interesse autentico non reggi gli anni necessari a diventare bravo. Il terzo va scelto in base a ciò che nessuno nel tuo campo studia: è quello che genera le connessioni che gli altri non vedono, e che ti rende difficile da sostituire.
Competenza 5: come si evita di diventare il tacchino di Taleb?
Si evita allargando le proprie fonti e restando disposti a cambiare idea. Le ricerche di Philip Tetlock mostrano che gli esperti con un’unica teoria prevedono il futuro peggio di chi ragiona in modo eclettico, perché piegano ogni dato nuovo al proprio schema invece di aggiornarlo.
Lo psicologo Philip Tetlock ha seguito per circa vent’anni le previsioni di 284 esperti su questioni politiche ed economiche, raccogliendo decine di migliaia di pronostici. In media gli esperti non facevano molto meglio del caso, e spesso facevano peggio di semplici regole statistiche. Dentro questa media, però, c’era una differenza netta tra due tipi di pensatori.
Chi sono le volpi e chi sono i ricci?
Tetlock ha preso in prestito un’immagine del poeta greco Archiloco, resa celebre dal filosofo Isaiah Berlin: la volpe sa molte cose, il riccio ne sa una grande. I ricci erano gli esperti con una grande teoria che spiegava tutto, e prevedevano peggio, perché ogni dato nuovo veniva forzato dentro lo schema che già possedevano. Le volpi attingevano a più fonti, consideravano più ipotesi e cambiavano idea quando le prove lo richiedevano, e prevedevano sensibilmente meglio.
Volpi e ricci in breve. Il riccio ha una teoria e la difende; la volpe ha molte teorie e le mette alla prova. Nelle previsioni di Tetlock le volpi battevano i ricci, perché l’ampiezza delle fonti le proteggeva dall’errore di vedere ogni problema con la stessa lente.
Cosa insegna la storia del tacchino?
Nassim Taleb ha raccontato lo stesso rischio con una parabola feroce. Un tacchino viene nutrito ogni giorno per mille giorni, e ogni pasto rafforza la sua convinzione che il giorno dopo sarà uguale; la sua fiducia è al massimo proprio il giorno prima del Ringraziamento. L’esperto che estrapola il futuro dal passato dentro un solo dominio somiglia a quel tacchino: la sua sicurezza cresce insieme alla sua vulnerabilità, perché l’evento che lo colpirà arriverà da un territorio che non ha mai studiato.
Competenza 6: perché conviene provare prima di pianificare?
Conviene perché le persone cambiano più di quanto credano, e un piano costruito su chi sei oggi rischia di essere sbagliato domani. Gli studi su chi cambia carriera con successo mostrano che si procede per esperimenti: si prova, si osserva il risultato, si corregge la direzione.
La studiosa Herminia Ibarra della London Business School ha osservato da vicino decine di professionisti che hanno cambiato carriera. Quelli che ci riuscivano raramente seguivano il modello “pianifica e poi esegui”, cioè decidere chi diventare e poi mettere in atto il piano. Seguivano un modello “prova e impara”: facevano un piccolo esperimento, osservavano come si sentivano e cosa succedeva, poi correggevano. La sua sintesi è un rovesciamento memorabile: prima agisci, poi pensa.
Cos’è l’illusione della fine della storia?
Lo psicologo Dan Gilbert ha documentato un errore sistematico che chiama illusione della fine della storia: riconosciamo con facilità quanto siamo cambiati negli ultimi dieci anni, ma siamo convinti che nei prossimi dieci cambieremo poco. A diciotto anni eri sicuro di sapere chi saresti stato a trenta, e avevi torto; a trenta sei sicuro di sapere chi sarai a cinquanta, e con ogni probabilità avrai torto di nuovo. Disegnare oggi tutto il percorso di studio sulla base di chi credi di essere significa costruire una fortezza nel posto in cui la battaglia non si combatterà.
Competenza 7: cosa significa essere un dilettante deliberato?
Il dilettante deliberato è chi si concede di entrare in campi nuovi senza la pretesa di padroneggiarli subito, accettando di sembrare inesperto agli occhi degli specialisti. Molte scoperte importanti sono nate così, da esperimenti fatti fuori dai progetti ufficiali, ai confini tra discipline diverse.
La storica dell’arte Sarah Lewis ha usato l’espressione dilettante deliberato per descrivere un profilo che ricorre con frequenza sorprendente nelle biografie dei grandi innovatori. Il fisico Andre Geim, premio Nobel nel 2010 per la scoperta del grafene insieme a Konstantin Novoselov, ha raccontato di cambiare argomento di ricerca all’incirca ogni cinque anni, preferendo spaziare in superficie tra molti campi piuttosto che scavare per tutta la vita nello stesso. Il grafene è nato da uno dei suoi esperimenti del venerdì sera, condotti fuori da qualsiasi progetto finanziato, usando nastro adesivo e grafite.
Perché serve un tempo protetto per gli esperimenti inutili?
Il premio Nobel per la medicina Oliver Smithies dedicava i sabati mattina a esperimenti senza relazione con il suo lavoro principale, e attribuiva a quelle ore molte delle sue idee migliori. Il biologo Max Delbrück parlava di un principio di “sciatteria limitata”: se sei troppo rigoroso nel restare dentro il tuo campo, limiti senza accorgertene ciò che riesci a scoprire. L’innovazione nasce ai confini tra territori, e per arrivarci bisogna accettare di camminare per un po’ dove non si è esperti.
Quando ha senso mollare?
C’è un’ultima competenza nascosta dentro le altre, ed è la più impopolare: il coraggio di abbandonare la strada sbagliata. Siamo vittime della fallacia dei costi irrecuperabili, che ci spinge a continuare a investire in qualcosa solo perché ci abbiamo già investito molto. Le indagini di Gallup sul mondo del lavoro mostrano da anni che una larga maggioranza dei lavoratori non si sente coinvolta da ciò che fa, e lo scrittore Seth Godin ha osservato che in quelle condizioni mollare richiede spesso più coraggio che restare. La vera tenacia consiste nel perseverare nella cosa giusta, dopo aver avuto il coraggio di lasciare quelle sbagliate.
Come costruire il tuo range da domani?
Il range si costruisce con abitudini piccole e costanti: un tempo fisso per studiare cose lontane dal tuo lavoro, l’abitudine di cercare soluzioni in campi diversi, tre competenze profonde scelte con criterio e la disponibilità a trattare ogni progetto come un esperimento da cui imparare.
All’inizio ti ho promesso le sette mosse che sto usando io. Eccole, nell’ordine in cui le applico:
- Un tempo fisso per l’inutile. Ogni settimana dedico alcune ore a un argomento che non ha legami evidenti con il mio lavoro, come i sabati mattina di Smithies.
- Cercare le soluzioni lontano. Davanti a un problema, prima di guardare nel mio settore, mi chiedo come lo risolverebbe qualcuno di un campo completamente diverso.
- Leggere fuori dal recinto. Machiavelli, la biologia evolutiva, la storia militare: le connessioni più utili nascono dai libri che nessuno nel mio settore legge.
- Trattare ogni progetto come un esperimento. Un tentativo da cui imparare, senza farne un’identità permanente.
- Costruire il pettine. Tre competenze profonde scelte con il criterio del mercato, della curiosità e della rarità.
- Chiedere pareri a chi fa altro. Le analogie migliori arrivano da persone che vedono il mondo con lenti diverse dalle mie.
- Smettere di sentirmi in ritardo. Molti dei casi raccontati da Epstein hanno trovato la loro strada tardi, e il ritardo apparente era ampiezza che stava lavorando.
Domande frequenti su cosa studiare per il futuro
Cosa conviene studiare per avere un futuro professionale solido?
Conviene combinare una competenza richiesta dal mercato con almeno altre due in campi diversi ma complementari, e allenare le capacità che collegano i domini: pensiero analogico, giudizio in condizioni di incertezza e capacità di imparare in fretta. Le competenze verticali pure sono quelle che l’intelligenza artificiale replica con più facilità.
La regola delle diecimila ore è ancora valida?
Non è mai stata una regola scientifica. Lo studio di Anders Ericsson mostrava che la pratica deliberata conta in ambienti strutturati come la musica e gli scacchi, ma non fissava un numero di ore e non valeva per tutti i campi. Oggi conta di più la varietà di competenze che sai integrare.
Quali lavori sono più a rischio con l’intelligenza artificiale?
Sono più esposti i compiti ripetitivi, vincolati e con riscontro immediato, perché sono gli stessi in cui le macchine imparano meglio. Resistono di più i ruoli che richiedono di integrare informazioni da fonti diverse, decidere in situazioni nuove e assumersi la responsabilità del rischio.
È meglio essere specialisti o generalisti?
La ricerca raccolta da David Epstein indica che nei contesti complessi conviene partire in ampiezza e specializzarsi più tardi, mantenendo poi più competenze profonde collegate tra loro. Lo specialista puro è vulnerabile ai cambiamenti, il generalista dispersivo non sviluppa profondità: il profilo a pettine combina i vantaggi dei due.
Come si allena il pensiero analogico?
Si allena studiando campi diversi e cercando di proposito le somiglianze strutturali tra problemi lontani. Un esercizio semplice: davanti a un problema, chiediti come lo affronterebbero un biologo, un militare e un economista. Più è varia la tua base di conoscenze, più analogie hai a disposizione.
È troppo tardi per cambiare strada a trenta o quarant’anni?
No. Molti dei casi raccontati in Range riguardano persone che hanno trovato la loro strada tardi, e gli studi di Herminia Ibarra mostrano che i cambi di carriera riusciti procedono per piccoli esperimenti. L’illusione della fine della storia ci fa sottovalutare quanto possiamo ancora cambiare.
Cosa ti porti via da questo saggio?
Più un compito è ripetitivo, più è destinato alle macchine. Più una competenza collega mondi lontani, più resta umana. Più impari in modo scomodo, più ciò che impari resiste nel tempo.
Le sette competenze che hai letto (pensiero analogico, sguardo da outsider, apprendimento con difficoltà desiderabili, profilo a pettine, umiltà della volpe, metodo per esperimenti e coraggio del dilettante deliberato) disegnano un’unica strategia: smettere di combattere le macchine sul loro terreno, quello della ripetizione e della velocità, e spostare la battaglia sul terreno che resta nostro, quello della connessione e del giudizio quando le regole non sono scritte.
Se devi fare una sola cosa dopo aver chiuso questa pagina, falla stasera: scrivi i tre denti del tuo pettine, uno per il mercato, uno per la curiosità e uno per ciò che nessuno nel tuo campo studia. Il resto viene di conseguenza.
Buono studio e buona battaglia,
Luca
Saggi consigliati
- Perché dimentichiamo: come funziona la memoria e come ricordare ciò che conta
- L’onda che verrà: le 3 sfide dell’intelligenza artificiale secondo Mustafa Suleyman
- Factfulness: i 10 istinti che ti fanno vedere il mondo peggio di com’è
- Stato di flow: cos’è e le 3 condizioni per entrarci secondo Csíkszentmihályi
Libri consigliati
- Range di David Epstein, il libro da cui parte questo saggio
- Giocati dal caso di Nassim Taleb
- Deep Work di Cal Newport
- I principi del successo di Ray Dalio
- AI 2041 di Kai-Fu Lee e Chen Qiufan
Fonti
David Epstein, Range (2019); Robin Hogarth, Educating Intuition (2001); Scott Carrell e James West, studio sui cadetti dell’Accademia dell’aeronautica degli Stati Uniti (2010); Philip Tetlock, Expert Political Judgment (2005); Nassim Taleb, Il cigno nero; Herminia Ibarra, Working Identity (2003); Dan Gilbert e colleghi, studio sull’illusione della fine della storia, Science (2013).