The Capability Erosion Crisis: l’IA sta rendendo obsolete le competenze. E adesso?
C’è una scena che si sta ripetendo in moltissime aziende.
Arriva un nuovo tool di IA. Il reparto IT lo implementa. Il management festeggia l’aumento di produttività. Il marketing scopre che può produrre contenuti in metà tempo. Il customer service automatizza le risposte. Il finance accelera analisi e report.
Tutto bellissimo.
Poi, qualche mese dopo, qualcuno si accorge di un piccolo dettaglio: le persone stanno facendo più cose con meno sforzo, ma non necessariamente stanno diventando più capaci.
Anzi.
Alcune competenze che prima venivano utilizzate ogni giorno iniziano lentamente ad atrofizzarsi. Scrivere senza IA diventa più difficile. Analizzare un problema da zero richiede più tempo. Verificare una risposta generata da un modello diventa meno naturale. Prendere una decisione senza avere un algoritmo come spalla comincia a sembrare quasi anacronistico.
È qui che entra in gioco quello che Litmos – il nostro LMS preferito – definisce Capability Erosion Crisis: il rischio che la velocità con cui cambiano tecnologie, processi e ruoli superi la velocità con cui un’organizzazione riesce a costruire e aggiornare le competenze delle proprie persone.
E la questione è decisamente più grande di un semplice problema di training.
Il paradosso dell’IA: più tecnologia, meno tempo per imparare?
L’AI promette di liberarci dal lavoro ripetitivo, e infatti in parte lo sta già facendo.
Ma c’è un paradosso interessante: più lavoro viene automatizzato, più diventa importante sapere fare quel lavoro.
Perché?
Perché se non possiedi una competenza, difficilmente puoi capire quando l’IA sta sbagliando.
Un copywriter che conosce bene il proprio mestiere può riconoscere una frase generica prodotta da un modello. Un analista esperto può mettere in discussione un risultato apparentemente convincente. Un project manager può accorgersi che un piano generato dall’AI ignora una variabile fondamentale.
L’IA può quindi amplificare una competenza.
Ma può anche nascondere la sua assenza.
E questo crea un rischio particolarmente insidioso: l’organizzazione può sembrare più efficiente di quanto non sia realmente.
Finché tutto funziona, nessuno se ne accorge.
Il problema arriva quando qualcosa va storto.
Un sistema si blocca. Un cliente pone una domanda fuori copione. Un dato è incompleto. L’AI produce una risposta sbagliata. Una decisione richiede giudizio umano.
A quel punto scopriamo se le competenze sono ancora lì.
Non è solo skill gap, è skill erosion
Parlare semplicemente di skills gap rischia di raccontare solo metà della storia.
Lo skills gap descrive la distanza tra le competenze che un’azienda possiede e quelle di cui avrebbe bisogno.
La capability erosion aggiunge un elemento più sottile: alcune capacità che già possediamo possono deteriorarsi proprio perché smettiamo di utilizzarle.
La ricerca più recente sul rapporto tra AI e lavoro sta iniziando a studiare proprio questo fenomeno. Un’analisi pubblicata nel luglio 2026 definisce la technology-driven skill degradation come il deterioramento di competenze ancora necessarie causato dalla dipendenza prolungata dalla tecnologia, identificando tra i meccanismi anche sostituzione, automation bias e riduzione dei feedback che permettono alle persone di correggere e sviluppare le proprie capacità.
Tradotto dal linguaggio accademico: se lasci sempre guidare il navigatore, prima o poi rischi di non sapere più orientarti.
E con l’AI il fenomeno può essere molto più veloce.
Il problema non è usare l’IA, bensì usarla per tutto
Attenzione: questo non significa che dovremmo tornare a scrivere report a mano o passare tre ore a fare una ricerca che ChatGPT può completare in dieci minuti.
Il punto non è scegliere tra IA sì e IA no.
Il vero tema è capire quali competenze dobbiamo delegare e quali dobbiamo continuare ad allenare.
Una ricerca pubblicata alla CHI Conference 2025 ha analizzato 319 knowledge worker e 936 esempi reali di utilizzo della GenAI. Lo studio ha rilevato che una maggiore fiducia nelle capacità dell’IA è associata a un minore ricorso al pensiero critico. Allo stesso tempo, il pensiero critico non scompare completamente: cambia forma, spostandosi dalla raccolta e produzione delle informazioni verso la verifica degli output, la loro integrazione e la supervisione del lavoro.
Ed è proprio questa la parte interessante.
L’AI non elimina necessariamente una competenza. Può cambiarne la forma.
Il problema nasce quando non cambiamo anche il modo in cui quella competenza viene allenata.
Dal “saper fare” al “saper verificare”
Immaginiamo un team marketing.
Prima dell’AI:
ricerca → analisi → idea → scrittura → revisione → pubblicazione
Dopo l’AI:
prompt → output → revisione → pubblicazione
Sembra una bella scorciatoia.
Ma cosa succede alla capacità di fare ricerca? Alla capacità di costruire un’argomentazione? Alla capacità di riconoscere un insight interessante? Alla capacità di scrivere da zero?
Il lavoro non sparisce. Si sposta.
E quindi anche le competenze devono spostarsi.
Un professionista del futuro non dovrà necessariamente essere quello che sa produrre più velocemente un testo, un’analisi o una presentazione.
Dovrà essere quello che sa:
definire bene il problema;
dare all’AI il contesto giusto;
riconoscere un output mediocre;
verificare informazioni e fonti;
individuare errori e bias;
prendere decisioni;
assumersi la responsabilità del risultato.
In altre parole, meno esecuzione automatica e più giudizio.
Per molto tempo la formazione aziendale ha funzionato secondo una logica abbastanza lineare:
nuova esigenza → nuovo corso → completamento → competenza acquisita.
Il problema è che oggi il mondo non cambia alla velocità di un catalogo formativo.
Quando il corso è stato progettato, approvato, prodotto, pubblicato e completato, il contesto potrebbe essere già cambiato.
Il World Economic Forum ha stimato che entro il 2030 il 39% delle competenze core richieste sul lavoro cambierà. E 59 persone su 100, secondo le proiezioni del report, avranno bisogno di upskilling o reskilling.
Non significa che il 39% delle competenze sparirà, ma che la composizione delle capacità necessarie per svolgere il lavoro continuerà a cambiare.
E quindi anche il training deve cambiare.
Non basta più chiedersi:
“Quale corso dobbiamo creare?”
La domanda diventa:
“Quali capacità dobbiamo costruire, aggiornare o mantenere vive mentre il lavoro cambia?”
È una differenza piccola solo sulla carta. In pratica, cambia completamente la strategia L&D.
Learning Acceleration: imparare alla velocità del cambiamento
È proprio questo il punto centrale della proposta di Litmos: passare dalla logica della formazione come evento alla Learning Acceleration, cioè alla capacità di costruire e aggiornare continuamente le competenze necessarie al business.
Il concetto è particolarmente interessante nell’era dell’IA perché introduce una nuova unità di misura.
Non più:
Quante ore di formazione abbiamo erogato?
Ma:
Quanto velocemente riusciamo a trasformare un cambiamento in una nuova capacità operativa?
È un cambio di prospettiva enorme.
Perché significa che L&D non è più semplicemente il dipartimento che “eroga corsi”.
Diventa parte dell’infrastruttura con cui l’organizzazione si adatta, dando vita ad una vera e propria cultura dell’apprendimento veramente efficace.
E l’IA? Va allenata anche lei
C’è poi un’altra ironia.
Le aziende stanno investendo moltissimo nell’AI, ma l’AI da sola non crea dipendenti in grado di usarla.
Microsoft, nel suo Work Trend Index 2025, ha rilevato che il 46% dei leader intervistati dichiarava già l’utilizzo di agenti AI per automatizzare alcuni processi, mentre il 51% dei manager prevedeva che IA training e upskilling sarebbero diventati una responsabilità chiave dei propri team nei cinque anni successivi.
La tecnologia, quindi, è solo una parte della trasformazione.
Questa potrebbe diventare una delle competenze più sottovalutate dell’era dell’intelligenza artificiale.
Il nuovo superpotere è sapere quando fare da soli
Pensiamo a un medico che utilizza un sistema AI per supportare una diagnosi.
Oppure a un avvocato che utilizza l’AI per una ricerca giuridica.
O a un financial analyst che usa un modello per individuare anomalie.
Il valore dell’AI aumenta quando esiste una persona capace di interrogare il risultato.
Se invece la persona accetta automaticamente quello che il sistema produce, l’automazione può trasformarsi in dipendenza.
Per questo motivo, la AI literacy non dovrebbe essere interpretata semplicemente come “saper usare ChatGPT”.
È molto di più.
Significa comprendere:
cosa l’AI sa fare;
cosa non sa fare;
quali dati utilizzare;
come formulare richieste efficaci;
come verificare gli output;
quali rischi introduce;
quando è necessario l’intervento umano;
chi è responsabile della decisione finale.
In breve: non basta sapere parlare con una macchina. Bisogna saperle dire di no.
Il rischio più grande? Una workforce che non sa più fare senza IA
Qui arriviamo al cuore della Capability Erosion Crisis.
Immaginiamo un’organizzazione in cui ogni persona utilizza quotidianamente strumenti AI.
Produttività altissima.
Processi velocissimi.
Costi ridotti.
Output enormi.
Sembra il paradiso.
Ma cosa succede se, nel frattempo, le persone hanno perso la capacità di lavorare senza quegli strumenti?
Il rischio non è teorico. La letteratura sul deskilling legato all’AI sta esplorando proprio questa dinamica: quando sistemi automatizzati sostituiscono una parte consistente dell’attività umana, possono ridurre l’esercizio e quindi il mantenimento di alcune capacità.
È un po’ come allenarsi sempre con l’ascensore e poi stupirsi quando salire cinque piani a piedi sembra una maratona.
La soluzione, però, non è eliminare l’ascensore.
È continuare ad allenare i muscoli.
Come può rispondere L&D alla Capability Erosion Crisis?
La risposta non è semplicemente “fare più formazione”.
Anzi, questo sarebbe probabilmente il modo più veloce per creare un altro problema: sommergere le persone di corsi mentre il lavoro continua a correre.
Servono almeno cinque cambiamenti.
1. Dalle competenze statiche alle capability dinamiche
Non basta più creare una competency matrix e aggiornarla ogni qualche anno.
Le aziende devono monitorare continuamente quali competenze stanno diventando più importanti, quali stanno perdendo rilevanza e quali nuove capacità stanno emergendo.
Il World Economic Forum del 2025, ad esempio, già indicava AI e big data, technological literacy, pensiero creativo, resilienza, flessibilità, agilità e curiosità/apprendimento continuo tra le competenze destinate a crescere maggiormente in importanza entro il 2030.
La skills strategy deve quindi diventare un processo vivo.
2. Dal corso al momento del bisogno
Se una competenza serve oggi, non possiamo sempre aspettare il prossimo calendario formativo.
Microlearning, learning in the flow of work, performance support, knowledge base e contenuti facilmente ricercabili diventano fondamentali.
L’obiettivo è semplice:
portare l’apprendimento il più vicino possibile al momento in cui il lavoro accade.
3. Non automatizzare tutto l’apprendimento
Sembra controintuitivo, soprattutto parlando di AI.
Ma se utilizziamo l’AI per dare sempre la risposta corretta, rischiamo di togliere alle persone l’opportunità di ragionare.
A volte un buon percorso formativo dovrebbe fare esattamente il contrario:
non dare subito la risposta.
Presentare un problema. Lasciare fare un tentativo. Mostrare un errore. Chiedere una decisione. Poi usare l’AI per fornire feedback.
Perché una competenza non si costruisce guardando qualcuno mentre fa qualcosa al posto nostro.
Si costruisce facendo.
4. Allenare il giudizio, non solo l’utilizzo dei tool
L’AI literacy deve andare oltre prompt e tool.
Bisogna allenare il pensiero critico, problem solving, decision making, creatività, comunicazione e capacità di valutazione.
Sono proprio le competenze che permettono alle persone di diventare registi del lavoro IA, anziché semplici utilizzatori di strumenti AI.
5. Misurare la capability, non soltanto il completamento
Un LMS può dirci quante persone hanno completato un corso.
Ma la domanda interessante è un’altra:
sono diventate più capaci?
Le vere metriche dovrebbe quindi spostarsi verso:
tempo necessario per acquisire una nuova competenza;
tempo necessario per applicarla;
qualità delle performance;
autonomia;
capacità di risolvere problemi nuovi;
utilizzo efficace dell’AI;
capacità di verificare e correggere gli output;
mantenimento delle competenze nel tempo.
È qui che l’LMS smette di essere semplicemente un archivio di corsi e diventa parte di una strategia di capability building.
Litmos e la Learning Acceleration: dal “corso” alla capacità
In questo scenario, una piattaforma come Litmos può assumere un ruolo interessante proprio perché il focus non è più soltanto sulla distribuzione della formazione, ma sull’accelerazione con cui le organizzazioni costruiscono e aggiornano le proprie capability. Litmos definisce infatti la propria piattaforma come una Learning Acceleration Platform, progettata per sviluppare continuamente competenze nella workforce, nei partner e nei clienti.
Questo approccio diventa particolarmente rilevante quando le organizzazioni devono aggiornare rapidamente contenuti, competenze e percorsi senza ricominciare ogni volta da zero.
Anche la disponibilità di content library aggiornate può aiutare a ridurre il carico di produzione interna e ad accelerare l’accesso a contenuti già strutturati e mantenuti da esperti. Richiedi una demo e valuta tu stesso!
Perché nell’era dell’AI il problema non è necessariamente creare più contenuti.
È riuscire a mettere a disposizione quello giusto, quando serve, abbastanza velocemente da restare rilevante.
La nuova AI strategy? È anche una learning strategy
Per anni abbiamo parlato di AI strategy come se fosse soprattutto una questione tecnologica:
Quale modello utilizziamo? Quali tool acquistiamo? Quali processi automatizziamo? Quanto possiamo risparmiare?
Sono domande legittime.
Ma manca una domanda fondamentale:
“Le nostre persone saranno ancora capaci di fare il loro lavoro tra due anni?”
Il punto non è fermare l’automazione.
È evitare che l’automazione diventi sostituzione indiscriminata delle capacità umane.
Perché il vero vantaggio competitivo non sarà avere accesso all’AI. Quello, progressivamente, sarà disponibile a tutti.
Il vantaggio sarà avere persone capaci di lavorare con l’AI, metterla in discussione, correggerla, guidarla e imparare continuamente mentre il lavoro cambia.
Microsoft, nel suo Work Trend Index 2026, descrive proprio l’emergere di organizzazioni come veri e propri Learning Systems, ovvero realtà in cui la capacità di imparare rapidamente dal proprio lavoro diventa parte del modo stesso di operare. La ricerca sottolinea inoltre che fattori organizzativi come cultura, supporto manageriale e pratiche di talent management spiegano una parte dell’impatto dell’AI molto maggiore rispetto al solo sforzo individuale.
Ed è forse questa la conclusione più importante.
L’AI non sta semplicemente cambiando il lavoro. Sta cambiando la velocità con cui dobbiamo imparare
La vera Capability Erosion Crisis non comincia quando una skill diventa obsoleta.
Comincia quando l’organizzazione non si accorge abbastanza velocemente che quella skill sta diventando obsoleta.
E non finisce con un corso di aggiornamento.
Finisce quando l’organizzazione riesce a costruire un sistema nel quale le persone possono continuamente:
È lunedì mattina: la casella di posta è piena, bisogna consegnare una presentazione entro poche ore e tra trenta minuti inizia una riunione importante. L’intelligenza
Facciamo un piccolo esperimento. Apri la chat aziendale e chiedi: “Chi di voi usa strumenti di intelligenza artificiale per lavorare?”. Probabilmente vedrai poche mani alzate.
Negli ultimi anni l’intelligenza artificiale ha fatto passi da gigante: dai sistemi di generazione di testo e immagini ai modelli che comprendono il contesto e