Perché i programmatori usano l'AI più degli altri professionisti

The Economist ha posto un conflitto al centro di Google News: le aziende di AI hanno bisogno che altri professionisti inizino a lavorare come sviluppatori software.

I programmatori delegano già attività significative agli assistenti di Anthropic, OpenAI, Google, GitHub e startup specializzate. Molti descrivono ormai le attività in modo conversazionale, mentre gli agenti ispezionano file, modificano codice, eseguono test e riportano i risultati.

Questo flusso di lavoro resta insolito al di fuori dello sviluppo software. Avvocati, banchieri, addetti al servizio clienti e manager affrontano dati meno strutturati, valutazioni più difficili, regole più rigide e minori incentivi a sperimentare.

La distinzione conta perché i fornitori di AI stanno costruendo infrastrutture per un mercato molto più ampio. The Economist stima che i ricavi annuali dell'AI debbano raggiungere 2,5 trilioni di dollari entro il 2030 per coprire gli investimenti programmati nei data center. Stima i ricavi attuali intorno ai 150 miliardi di dollari.

Non si tratta quindi di capire se gli assistenti per il coding siano popolari. La domanda è se il coding offra un modello ripetibile per l'adozione dell'AI sul lavoro, oppure rappresenti un'eccezione insolitamente favorevole.

Le evidenze indicano una risposta scomoda. Il coding mostra come appare un uso intensivo dell'AI, ma il suo successo dipende da condizioni che la maggior parte delle professioni non condivide.

Google News mette al centro il divario dei programmatori

Il coding AI è diventato il parametro commerciale che ogni altra applicazione per il lavoro deve ora inseguire.

L'analisi originale, pubblicata da The Economist e ripresa da Mint, descrive un cambiamento rilevante nel lavoro software. Alcuni ingegneri della Silicon Valley ora pronunciano istruzioni al microfono invece di digitare personalmente ogni riga.

La trascrizione vocale invia queste istruzioni agli agenti AI. Un agente è un software in grado di ispezionare il proprio ambiente, selezionare azioni e completare più passaggi con una supervisione umana limitata.

L'output visibile resta il codice. Il processo produttivo assomiglia sempre più a supervisione, revisione e correzione.

Secondo The Economist, quattro sviluppatori su cinque affermano di usare uno strumento di coding AI. Il sondaggio tra sviluppatori del 2025 fornisce una misura strettamente correlata: l'84% degli intervistati utilizzava o prevedeva di utilizzare strumenti di AI.

Il sondaggio ha inoltre rilevato che il 51% degli sviluppatori professionisti usava strumenti di AI ogni giorno. Questa frequenza distingue lo sviluppo software dalla sperimentazione occasionale con i chatbot.

L'adozione ha prodotto un mercato in rapida crescita. The Economist stima che Cognition, Cursor, Lovable e Replit abbiano generato circa 800 milioni di dollari di ricavi ricorrenti annuali combinati nel giugno 2025.

Colloca il loro totale combinato attuale a 6 miliardi di dollari. I ricavi ricorrenti annuali, o ARR, stimano i ricavi da abbonamenti proiettati su un anno.

Queste cifre sono stime, non bilanci combinati sottoposti a revisione. Tuttavia, la direzione è chiara: gli sviluppatori pagano per strumenti integrati direttamente nei flussi di lavoro quotidiani.

The Economist cita anche SemiAnalysis, secondo cui il coding ha prodotto oltre metà dell'ARR combinato di Anthropic e OpenAI nel secondo trimestre del 2026. Nessuna delle due aziende comunica pubblicamente una ripartizione dettagliata dei ricavi dal coding.

Questa concentrazione rivela ciò che è in gioco dietro il titolo di Google News. Il coding non è semplicemente un'applicazione di successo tra tante. Sta contribuendo a sostenere l'economia dei principali fornitori di modelli.

Il dirigente di OpenAI Colin Jarvis ha riconosciuto il divario nell'adozione con una franchezza insolita. Ha dichiarato a The Economist che gli altri lavoratori white-collar non sono ancora “in questo mondo”.

L'affermazione conta perché le aziende di AI non possono giustificare l'espansione delle infrastrutture basandosi solo sugli abbonamenti degli sviluppatori. Hanno bisogno di un'attività altrettanto intensa in mercati professionali molto più grandi.

Il lavoro legale, la finanza e il servizio clienti sembrano essere i principali candidati. Ognuno comporta lavoro costoso, elaborazione ripetuta di informazioni e decisioni che il software può sostenere in parte.

La loro crescita è reale. Eppure, l'adozione non ha raggiunto la combinazione di frequenza, autonomia ed entusiasmo dal basso tipica del coding.

Questa differenza sposta la domanda centrale. Il punto non è più se l'AI possa redigere un contratto, riassumere una chiamata o costruire un modello finanziario.

Il punto è se i professionisti si fideranno ripetutamente di questi output nel lavoro reale. La dipendenza regolare, non dimostrazioni impressionanti, crea ricavi duraturi.

Perché il coding è diventato il contesto lavorativo ideale per l'AI

Il codice offre all'AI qualcosa di raro nel lavoro della conoscenza: esempi abbondanti, contesto leggibile dalle macchine e feedback rapido quando una risposta fallisce.

I repository pubblici contengono enormi quantità di codice sorgente. Includono inoltre documentazione, discussioni sui problemi, cronologie delle modifiche ed esempi di come gli sviluppatori abbiano corretto errori precedenti.

The Economist riporta che il codice può rappresentare quasi un quinto di alcuni dataset di addestramento dei modelli. Raccolte pubbliche comparabili non esistono per negoziazioni private, controversie con i clienti o decisioni interne di investimento.

Questa disponibilità offre ai modelli molti esempi di input, output, schemi e correzioni. Non garantisce che il codice generato sia corretto, ma crea condizioni di addestramento insolitamente favorevoli.

Il software dispone anche di sistemi di verifica integrati. I compilatori rilevano la sintassi non valida, mentre i test automatizzati confrontano il comportamento con i risultati attesi.

Linter, controllori di tipo, scanner di sicurezza e sistemi di integrazione continua aggiungono ulteriore feedback. Un agente di coding può spesso eseguire questi strumenti senza attendere un revisore umano.

Questo crea un ciclo tra generazione e valutazione. Il modello propone una modifica, esegue un test, legge l'errore e tenta un'altra soluzione.

Altri compiti professionali offrono raramente segnali così chiari. Un cliente tranquillo può comunque andarsene, mentre un contratto ben formulato può nascondere un obbligo sfavorevole.

Una previsione finanziaria può essere internamente coerente e poggiare comunque su ipotesi deboli. Una raccomandazione persuasiva per un'assunzione può riprodurre pregiudizi senza generare un errore leggibile dalla macchina.

I progetti software archiviano inoltre gran parte del proprio contesto operativo in formato digitale. Gli agenti possono ispezionare codebase, sistemi di ticketing, documentazione, log e interfacce di programmazione delle applicazioni.

Un'interfaccia di programmazione delle applicazioni, o API, consente a un software di scambiare informazioni strutturate con un altro sistema. Le API offrono agli agenti di coding percorsi diretti verso gli strumenti necessari per un'attività.

Al contrario, il contesto essenziale in altre professioni resta spesso disperso. Può trovarsi in conversazioni private, pratiche non scritte, vecchi allegati o nella memoria di un dipendente esperto.

Questo problema di contesto spiega perché i sistemi di conoscenza organizzativi siano importanti. I team hanno bisogno di una base di conoscenza ricercabile prima che un agente possa trovare in modo affidabile il materiale locale pertinente.

Gli sviluppatori hanno un altro vantaggio: considerano l'errore una parte normale del flusso di lavoro. Si aspettano già di fare debug, rivedere le differenze, annullare modifiche e rieseguire test.

Anche gli strumenti di programmazione cambiano frequentemente. Gli ingegneri imparano abitualmente nuovi framework, linguaggi, editor e sistemi di deployment.

Questa cultura ha reso l'adozione dell'AI insolitamente guidata dal basso. I singoli sviluppatori potevano provare un assistente prima che il datore di lavoro riprogettasse un intero processo aziendale.

Gli strumenti incontravano inoltre gli utenti nelle interfacce familiari. Il completamento automatico appariva negli editor, la chat si apriva accanto ai file sorgente e gli agenti arrivavano nei terminali.

Non era necessario alcun programma di trasformazione separato per la sperimentazione iniziale. Uno sviluppatore poteva usare l'AI su una funzione, un test o un messaggio di errore.

Questo punto di ingresso incrementale ha ridotto l'attrito nell'adozione. Gli esperimenti riusciti si sono poi estesi a compiti più ampi, inclusi revisione del codice, migrazioni, debug e implementazione di funzionalità.

Il meccanismo assomiglia a una scala. Ogni risultato verificato supporta una delega leggermente più ampia, mentre i controlli ingegneristici esistenti limitano i danni causati dagli errori.

La maggior parte dei lavoratori white-collar non dispone di questa scala. Affronta un salto dall'assistenza occasionale alla delega con conseguenze rilevanti, senza un'infrastruttura di test comparabile.

Le ragioni dell'espansione sono reali ma disomogenee

Il diritto, la finanza e il servizio clienti crescono rapidamente, ma la crescita dei ricavi non dimostra che i loro lavoratori raggiungeranno l'intensità d'uso degli sviluppatori.

The Economist identifica la tecnologia legale come un possibile contendente. Stima che Harvey, Clio e Legora abbiano raddoppiato il loro ARR combinato in un anno, raggiungendo circa 1 miliardo di dollari.

Harvey afferma che il tempo trascorso sulla sua piattaforma raddoppia ogni mese. Questa dichiarazione suggerisce un coinvolgimento più profondo, anche se l'azienda non ha pubblicato dati di utilizzo verificati in modo indipendente.

Il lavoro legale contiene diversi elementi simili al coding. I contratti utilizzano clausole ricorrenti, la ricerca segue autorità consolidate e la revisione dei documenti coinvolge grandi raccolte di testo.

Le differenze sono altrettanto importanti. Il significato legale dipende dalla giurisdizione, dagli obiettivi del cliente, dalla storia della negoziazione e dalla tolleranza al rischio.

Una clausola può essere grammaticalmente corretta e legalmente pericolosa. Raramente esiste un test automatizzato che stabilisca se un compromesso serve il cliente.

La finanza offre un altro grande mercato. The Economist riporta che Rogo ha aggiunto 100 clienti enterprise in un trimestre e ha aumentato l'ARR del 50%.

I professionisti della finanza lavorano già con dati strutturati, modelli e documenti ripetibili. Queste caratteristiche creano promettenti punti di ingresso per assistenti di ricerca e analisi.

Tuttavia, le decisioni finanziarie combinano output numerici con tempismo, giudizio e responsabilità. Un modello può recuperare cifre con precisione, ma fraintendere quali ipotesi contino.

Il servizio clienti sembra più vicino al software perché le aziende possiedono trascrizioni di chiamate, policy e risoluzioni storiche. Il CEO di Cresta Ping Wu ha dichiarato a The Economist che l'analisi di migliaia di chiamate può far emergere conoscenze un tempo detenute solo dai dipendenti.

Secondo quanto riferito, Sierra, un'altra azienda di AI per il servizio clienti, ha raggiunto 200 milioni di dollari di ARR a giugno. The Economist afferma che la cifra era doppia rispetto al livello del novembre 2025.

Il venture capital ha seguito questa tendenza. La pubblicazione stima che gli investitori abbiano destinato 3 miliardi di dollari alle startup di AI per il servizio clienti nel 2026, più che in qualsiasi altra categoria di applicazioni AI.

Questi mercati mostrano che l'AI sul lavoro si sta diffondendo. Non dimostrano ancora un utilizzo al livello dei programmatori.

Gli agenti del servizio clienti di solito non possono installare autonomamente strumenti sperimentali. Sono i datori di lavoro a scegliere il software, collegare i database, stabilire i permessi e definire risposte accettabili.

Avvocati e banchieri affrontano vincoli aggiuntivi. Riservatezza, conservazione della documentazione, obblighi normativi e responsabilità professionale rendono costosa la sperimentazione incontrollata.

Questo crea un modello di adozione dall'alto verso il basso. I fornitori devono completare verifiche di sicurezza, integrazioni, valutazioni e formazione prima che l'utilizzo possa crescere.

Il coding si è spesso mosso nella direzione opposta. Gli sviluppatori hanno adottato gli assistenti individualmente, dimostrato valore a livello locale e poi incoraggiato acquisti a livello aziendale.

I fornitori di AI stanno cercando di colmare la differenza. Harvey utilizza dati sintetici, ovvero materiale di addestramento generato dai modelli anziché raccolto direttamente dall'attività umana.

Le piattaforme di lavoro specializzato collegano inoltre esperti di settore con sviluppatori di modelli. Questi esperti creano esempi, valutano le risposte e descrivono il ragionamento alla base delle decisioni professionali.

Nel frattempo, gli ingegneri forward-deployed lavorano all'interno delle organizzazioni clienti per adattare i modelli ai sistemi locali. Il loro ruolo combina implementazione tecnica e scoperta continua dei processi.

Questi approcci possono rendere gli ambienti professionali più leggibili dalle macchine. Tuttavia, ciascuno richiede lavoro, integrazione e conoscenze specifiche del cliente.

Ciò indebolisce l’ipotesi che un unico modello generale possa diffondersi in ogni luogo di lavoro con la stessa facilità di un assistente per la programmazione. L’adozione al di fuori del software potrebbe assomigliare a consulenza più software, anziché al solo software self-service.

La popolarità della programmazione non risolve la questione della produttività

Un utilizzo elevato dimostra che gli sviluppatori apprezzano l’accesso all’AI, ma non prova che ogni attività diventi più veloce o migliore.

Il sondaggio di Stack Overflow mette in luce questa tensione. Sebbene l’84% degli intervistati utilizzasse o prevedesse di utilizzare strumenti AI, solo il 33% si fidava della loro accuratezza.

Il quarantasei per cento diffidava attivamente dell’output dell’AI. Solo il 3% si è definito molto fiducioso.

Questo divario tra adozione e fiducia non è contraddittorio. Gli sviluppatori possono usare frequentemente l’AI pur verificando ogni risultato importante.

Lo stesso sondaggio ha rilevato che il 52% riteneva che gli strumenti o gli agenti AI avessero migliorato la propria produttività. Eppure, la maggioranza non utilizzava agenti o si affidava solo ad assistenti più semplici.

Gli sviluppatori hanno inoltre resistito alla delega nelle aree ad alta responsabilità. Il settantasei per cento non prevedeva di usare l’AI per distribuzione e monitoraggio, mentre il 69% la escludeva dalla pianificazione dei progetti.

Questi risultati suggeriscono che l’adozione dipende dall’attività. Ricerca, spiegazione, documentazione, codice ripetitivo e test possono risultare attraenti anche quando le decisioni architetturali restano guidate dagli esseri umani.

Uno studio sulla produttività randomizzato di METR ha aggiunto un avvertimento più netto. Sedici sviluppatori open-source esperti hanno completato 246 attività in repository maturi.

Quando è stato loro consentito di usare strumenti AI di inizio 2025, i partecipanti hanno impiegato il 19% di tempo in più. Prima dello studio, si aspettavano che l’AI riducesse il tempo di completamento del 24%.

In seguito, credevano ancora che gli strumenti avessero fatto risparmiare il 20% del tempo. La loro percezione si è mossa nella direzione opposta rispetto al tempo di completamento misurato.

Quel risultato non dovrebbe essere generalizzato a tutti gli sviluppatori. Lo studio si è concentrato su contributori esperti che lavoravano in grandi repository che conoscevano bene.

Anche gli strumenti sono migliorati dopo l’esperimento. Sviluppatori, progetti e flussi di lavoro diversi possono produrre risultati diversi.

Tuttavia, il dato mette in discussione una scorciatoia comune. Utilizzo, soddisfazione e velocità percepita non sono intercambiabili con la produttività misurata.

L’AI può sembrare utile perché riduce la digitazione sgradevole, suggerisce sintassi poco familiari o rende l’esplorazione più coinvolgente. Uno sviluppatore può preferire questa esperienza anche quando la revisione dell’output richiede ulteriore tempo.

Anche le più ampie evidenze sull’occupazione richiedono cautela. I ricercatori della Federal Reserve hanno rilevato che il lavoro informatico e matematico generava oltre un terzo delle query Claude campionate.

Queste occupazioni rappresentavano solo il 3,4% della forza lavoro. Lo squilibrio conferma un’esposizione insolitamente elevata, ma il campione escludeva attività aziendali, di team e via API.

Gli autori hanno inoltre rilevato che diverse misure di esposizione divergono in modo sostanziale. Entrambe collocavano la programmazione tra le occupazioni più esposte, ma l’esposizione da sola non identifica gli effetti sull’occupazione.

Questa distinzione conta per la tesi d’investimento. I fornitori di AI devono consentire ai clienti di ottenere un valore misurabile sufficiente affinché l’utilizzo superi le revisioni di budget.

Un prodotto può diffondersi rapidamente grazie alla curiosità e alla comodità. Una spesa aziendale sostenuta richiede prove che migliori output, qualità, velocità o capacità.

La programmazione conserva un vantaggio anche secondo questa lettura scettica. I team software possono misurare modifiche accettate, tassi di difetti, tempi di revisione, frequenza di distribuzione e completamento delle attività.

Altre funzioni spesso non dispongono di parametri di riferimento comparabili. Questo rende più difficile dimostrare sia i miglioramenti sia i fallimenti.

Il rischio, quindi, va oltre l’accuratezza dei modelli. Le aziende possono distribuire l’AI senza sapere se faccia risparmiare tempo, sposti il lavoro sui revisori o semplicemente trasferisca i costi altrove.

Perché i programmatori potrebbero restare l’eccezione

La promessa è l’automazione universale del lavoro d’ufficio, ma il meccanismo attuale dipende in modo insolito dalla struttura del software e dal comportamento dei suoi utenti.

I dati di Anthropic supportano la tesi della concentrazione. Il suo rapporto sull’utilizzo di settembre 2025 ha rilevato che la programmazione rappresentava il 36% dell’attività Claude campionata.

L’istruzione è salita dal 9,3% al 12,4%, mentre le attività scientifiche sono aumentate dal 6,3% al 7,2%. Questi incrementi hanno mostrato una diversificazione senza scalzare la programmazione dal primo posto.

Il rapporto Anthropic di gennaio 2026 ha rilevato che le conversazioni Claude.ai prevalentemente legate alla programmazione sono scese da un picco del 40% al 34% entro novembre 2025. Questo movimento indica un’espansione verso altre attività.

Tuttavia, un terzo delle conversazioni rappresenta ancora una forte concentrazione. Inoltre, riflette solo il mix di prodotti di una singola azienda, non l’intero mercato dell’AI.

Un successivo aggiornamento metodologico di Anthropic ha osservato che gli agenti a lunga esecuzione avevano reso i semplici conteggi delle conversazioni meno informativi. Le sessioni Claude Code e Cowork possono contenere più lavoro delle normali chat.

Ciò complica i confronti tra occupazioni. Una sessione di programmazione può includere ispezione dei file, implementazione, test e revisione, mentre un altro utente pone una singola domanda di scrittura.

Lo sviluppo software trasforma inoltre l’ambiguità in artefatti espliciti. I requisiti diventano ticket, i progetti diventano documenti, le modifiche diventano commit e i fallimenti diventano log.

Questo processo fornisce agli agenti uno stato osservabile. Fornisce inoltre agli esseri umani punti di controllo in cui possono approvare, rifiutare o rivedere il lavoro.

La conoscenza professionale altrove è spesso relazionale. Un buon risultato può dipendere da fiducia, empatia, tempismo, politica organizzativa o una preferenza non dichiarata.

Questi segnali resistono alla conversione in dati di addestramento. Registrarli può introdurre problemi di privacy, consenso e governance.

La regolamentazione rafforza il divario. Gli avvocati devono proteggere le informazioni privilegiate, le istituzioni finanziarie devono supervisionare le comunicazioni e i sistemi di assistenza clienti devono rispettare le norme per i consumatori.

I fornitori di AI possono aggiungere controlli, registri di audit e sistemi di retrieval. Queste misure aiutano, ma aggiungono lavoro di implementazione prima che i dipendenti ricevano valore.

Anche il mercato degli assistenti per la programmazione mostra quanto resti impegnativa una delega affidabile. La product manager di Anthropic Cat Wu ha affermato che la responsabilità resta in ultima analisi agli ingegneri.

Allo stesso modo, l’analista Gartner Philip Walsh ha sostenuto che il software pronto per le aziende richiede ancora professionisti qualificati. Ha citato qualità, scalabilità, sicurezza e robustezza come limiti persistenti.

Questa necessità umana non rende irrilevanti gli agenti di programmazione. Spiega perché si diffondono più rapidamente tra le persone qualificate per valutarli.

L’utente AI più forte non è necessariamente il lavoratore con il lavoro più facile da automatizzare. Può essere il lavoratore più attrezzato per rilevare e riparare i fallimenti dell’automazione.

Questo principio crea problemi per le previsioni di adozione universale. Molti dipendenti non hanno né l’autorità per sperimentare né l’esperienza per valutare ogni decisione generata dal modello.

Le aziende possono rispondere riprogettando i flussi di lavoro attorno alla validazione. Possono stabilire fonti di dati approvate, rubriche di valutazione, regole di escalation e revisione umana.

Tuttavia, così facendo trasformano l’adozione in ingegneria organizzativa. Acquistare l’accesso ai modelli è solo il primo passo.

La questione di Google News comporta quindi un ribaltamento. La programmazione viene presentata come prova che ogni professione abbraccerà l’AI, ma potrebbe invece rivelare i prerequisiti che mancano alle altre.

Cosa deve dimostrare ora il boom degli investimenti nell’AI

La prossima fase dipende da tre segnali: utilizzo ricorrente più ampio, misurazione credibile della produttività e distribuzione specifica per il cliente meno costosa.

Il primo segnale è se i prodotti per il settore legale, finanziario e l’assistenza clienti sostengano un utilizzo frequente dopo i lanci iniziali. Il numero di clienti e l’ARR mostrano gli acquisti, non la profondità d’uso.

Gli investitori dovrebbero guardare ai tassi di rinnovo, agli utenti attivi, ai flussi di lavoro completati e all’espansione presso i clienti esistenti. I fornitori raramente divulgano pubblicamente tutte queste misure.

L’evidenza più forte mostrerebbe dipendenti che tornano ogni giorno e delegano porzioni più ampie di processi completi. Redazione o sintesi occasionali sosterrebbero un mercato più piccolo.

Se le applicazioni non legate alla programmazione raggiungessero una frequenza simile a quella degli sviluppatori, la tesi dell’adozione universale si rafforzerebbe. Se l’utilizzo restasse occasionale, la programmazione apparirebbe più come un limite superiore.

Il secondo segnale è costituito da prove indipendenti sulla produttività. Le aziende necessitano di confronti che includano tempo di revisione, correzione degli errori, lavoro di conformità e fallimenti a valle.

Misure semplici come documenti generati o chat completate possono trarre in inganno. Un output più elevato ha valore limitato quando i dipendenti devono dedicare più tempo a controllarlo.

Gli studi controllati non copriranno ogni organizzazione. Le imprese possono comunque usare lanci graduali, team comparabili, campionamento della qualità e misure operative prima e dopo.

Una valutazione migliore chiarirebbe anche dove il giudizio umano crea valore. Un sistema AI può accelerare l’analisi iniziale lasciando intatte le decisioni finali.

Questo risultato può comunque giustificare un investimento. Sostiene un’affermazione più circoscritta rispetto all’automazione completa dei flussi di lavoro.

Il terzo segnale è il costo di distribuzione. Ingegneri impiegati presso il cliente ed esperti di dominio possono trasformare la conoscenza organizzativa privata in contesto utilizzabile, ma quel lavoro deve essere scalabile economicamente.

Osservate se i fornitori creano connettori riutilizzabili, metodi di valutazione condivisi e controlli specifici per settore. Questi componenti possono ridurre il lavoro personalizzato richiesto per ciascun cliente.

Osservate anche l’equilibrio tra modelli generali e sistemi specializzati. I modelli generali offrono capacità ampie, mentre i prodotti specialistici integrano dati di dominio, autorizzazioni e flussi di lavoro.

Se i fornitori specializzati crescono senza grandi team di implementazione, altre professioni potrebbero diventare più simili alla programmazione. Se ogni distribuzione richiede un’ampia personalizzazione, margini e velocità di adozione subiranno pressione.

Per gli sviluppatori, la lezione a breve termine è misurare i risultati anziché contare le righe generate. La competenza di valore consiste nell’avvicinarsi alla definizione delle attività, alla gestione del contesto, alla verifica e al giudizio di sistema.

Per gli acquirenti aziendali, la lezione è altrettanto pratica. Iniziate con flussi di lavoro che dispongono di dati accessibili, criteri di successo chiari, azioni reversibili e revisori responsabili.

I knowledge worker dovrebbero chiedersi dove il loro lavoro produca già feedback digitale. Quelle aree offrono gli equivalenti più vicini ai test software.

Il boom degli investimenti non richiede che ogni dipendente diventi un programmatore. Richiede però che altre occupazioni sviluppino percorsi altrettanto ripetibili dall’istruzione all’output verificato.

Questa è la sfida irrisolta dietro la storia di Google News. I modelli continuano a migliorare e l’adozione commerciale si sta diffondendo oltre l’ingegneria.

Tuttavia, lo sviluppo software combina materiale di addestramento pubblico, contesto digitale, validazione automatizzata, utenti flessibili e output misurabile. Nessun’altra grande professione eguaglia attualmente questa combinazione.

Nei prossimi mesi, ignorate le dimostrazioni isolate e osservate i comportamenti ricorrenti. I professionisti stanno delegando flussi di lavoro completi, misurando i risultati e tornando senza un costante supporto tecnico?

Se la risposta diventerà sì, i programmatori saranno stati il primo esempio di un’ampia transizione nel mondo del lavoro. Se resterà no, saranno stati l’eccezione favorevole a sostegno di una promessa d’investimento molto più grande.

La domanda utile non è se il vostro team possa accedere all’AI. È se il vostro flusso di lavoro possa esporre il contesto giusto, rilevare gli errori e dimostrare che la delega ha creato valore.