Gli studi professionali stanno misurando l’intelligenza artificiale soprattutto sul terreno della conoscenza: ricerche, sintesi, prime bozze, analisi documentale. Più la tecnologia migliora, più la conoscenza tecnica diventa una commodity: indispensabile, ma sempre meno distintiva.
Da qui una domanda facile da formulare e scomoda da affrontare: che cos’è che fa la differenza se la conoscenza non basta più?
In questa rubrica abbiamo già proposto due risposte: il giudizio professionale e la fiducia.
Un articolo di Stefano Tasselli pubblicato da Harvard Business Review Italia ne suggerisce una terza, meno ovvia di quanto sembri: il network professionale. Non come qualità personale, ma come struttura.
La forza dei legami deboli
Il punto di partenza è un articolo di Mark Granovetter del 1973, The Strength of Weak Ties, ancora oggi tra i più citati delle scienze sociali. La tesi era controintuitiva: le informazioni più preziose su opportunità, idee e sviluppi di carriera non arrivano dai contatti stretti, ma da quelli deboli, cioè conoscenti, persone che lavorano in altri ambienti, contatti visti di rado. La ragione è strutturale. La cerchia ristretta tende a sapere le stesse cose, ed è per questo ridondante. I legami deboli fanno da ponte verso ambienti in cui circolano informazioni che non sono ancora arrivate nel nostro.
Per cinquant’anni questa intuizione è stata sostenuta soprattutto da evidenze correlazionali. Nel 2022 uno studio pubblicato su Science da ricercatori di LinkedIn, MIT, Harvard e Stanford ha fornito la prima prova causale su larga scala. Per cinque anni l’algoritmo di LinkedIn ha variato in modo casuale la quota di legami deboli suggeriti a oltre venti milioni di utenti, generando due miliardi di nuove connessioni e 600.000 nuovi posti di lavoro.
I risultati confermano la teoria con due correzioni che ci interessano.
La prima: non vale il principio “più debole è meglio”. I legami più utili sono quelli moderatamente deboli.
La seconda: l’effetto cambia da settore a settore. Nelle industrie più digitali contano i legami deboli, in quelle meno digitali contano di più i legami forti.
Una proprietà della rete, non della persona
Il passaggio decisivo dell’argomento di Tasselli è questo. Ciò che le relazioni producono non è conoscenza tecnica, ma conoscenza posizionale: il vantaggio che deriva dall’occupare, nella rete, posizioni che danno accesso a informazioni e opportunità. Questa conoscenza appartiene al network, non alla persona né al ruolo. Per questo la tecnologia non può replicarla. A ciò si aggiunge il tempo: ci si fida di un’informazione anche perché chi la dà si è dimostrato affidabile in passato, magari per anni.
È qui che il ragionamento si separa da quello sul discernimento. Il giudizio è una qualità che il professionista può coltivare da solo. La posizione in una rete si occupa solo in relazione ad altri, si accumula nel tempo e non si ottiene con un clic.
Una ricerca di Tiziana Casciaro e Miguel Sousa Lobo, pubblicata su HBR nel 2005 e basata su oltre 10.000 relazioni di lavoro, mostra un effetto collaterale di questa dinamica. Chi cerca aiuto tende a rivolgersi al collega stimato sul piano personale, anche se meno competente, piuttosto che al collega competente ma sgradevole. Così l’esperienza di quest’ultimo resta in gran parte inutilizzata. Se l’IA riduce le distanze di competenza, è ragionevole attendersi che questa asimmetria cresca.
Le domande per lo studio
Se il valore relazionale è l’asset che l’IA non erode, la domanda non è se gli studi ne abbiano bisogno, ma se lo stiano governando.
La prima questione riguarda la proprietà di questo valore. Se la conoscenza posizionale appartiene alla rete, in uno studio appartiene di fatto ai professionisti che quella rete l’hanno costruita. Gli investimenti in IA creano un’infrastruttura comune. Il capitale relazionale resta individuale e, quando un professionista se ne va, se ne va con lui.
La seconda riguarda l’organizzazione del lavoro. Le ore fatturabili producono quasi solo legami forti: stessi clienti, stessi colleghi, stessi convegni con le stesse persone. È esattamente la ridondanza che, secondo Granovetter, fa perdere valore alla rete. Il tempo che l’IA libererà verrà reinvestito in relazioni nuove o in altre ore fatturabili?
La terza riguarda il modello stesso della professione, costruito storicamente su legami forti: il cliente storico, il rapporto fiduciario, il passaparola. Lo studio su Science indica che i legami forti funzionano bene nei contesti poco digitali. Man mano che la professione si digitalizza, l’equilibrio potrebbe spostarsi, e la sola fidelizzazione potrebbe non bastare più.
La rete di uno studio ha poi una geometria propria: banche, notai, consulenti del lavoro, altri professionisti, imprese seguite per decenni. I legami forti sono il cuore dell’attività. Ma quanto più il lavoro di routine viene automatizzato, tanto più il valore si sposta verso la consulenza, che vive di informazioni nuove. E le informazioni nuove passano soprattutto attraverso i legami deboli.
Il capitale dormiente
C’è poi una risorsa che quasi tutti gli studi possiedono e pochi considerano tale. Daniel Levin, Jorge Walter e Keith Murnighan hanno studiato i legami dormienti, cioè relazioni un tempo attive e poi interrotte. Nel loro studio, riattivarli ha prodotto conoscenze utili quanto quelle dei contatti attuali. Questi legami si interrompono raramente per scelta: si spengono per disattenzione e inerzia.
Per uno studio, questo capitale ha volti precisi: ex praticanti, ex associate passati in azienda, ex colleghi, clienti di pratiche chiuse. Le ricerche successive degli stessi autori indicano che il valore delle riconnessioni cresce con l’età: un dato che riguarda da vicino chi ha alle spalle diversi anni di professione.
Un vantaggio che non si mantiene da solo
Tasselli definisce il suo messaggio confortante. Lo è, ma solo per chi sta già investendo.
Gli studi dedicano all’IA budget, formazione e gruppi di lavoro. Al proprio network riservano raramente lo stesso rigore: sapere chi conosce chi, quali relazioni sono attive, quali si stanno spegnendo. Il vantaggio che l’IA non può erodere non si costruisce da solo, e nemmeno si conserva da solo.
