Immagina una dipendente Meta — chiamiamola Serena — alla sua scrivania all'inizio del 2026. Ha un assistente AI personale integrato nel suo flusso di lavoro. Lo usa per redigere proposte, sintetizzare gli appunti delle riunioni, strutturare le sue code review, organizzare la settimana. È più veloce che mai. Il suo manager lo nota. La sua valutazione lo riflette.
Serena non ha paura dell'AI. Serena ama l'AI.
Qui si fermano quasi tutti gli articoli sull'iniziativa "AI for Work" di Meta. Mark Zuckerberg ha dichiarato che il 2026 è l'anno in cui l'AI comincia a cambiare radicalmente il modo di lavorare di Meta. Il CTO Andrew Bosworth guida la svolta. L'obiettivo: trasformare ognuno dei 78.000 dipendenti dell'azienda in un team da uno — una sola persona, potenziata, accelerata, moltiplicata.
La copertura mediatica è quasi uniformemente positiva. Più output. Meno burocrazia. Meno livelli gerarchici. La visione delle one-person company cinesi — dove un founder solitario con l'AI fa quello che un tempo richiedeva interi reparti — applicata su scala enterprise. Nessuno chiede cosa si sta costruendo nel frattempo.
Il Colloquio che Non Hai Accettato
Ogni volta che Serena chiede alla sua AI di ristrutturare una proposta, le sta insegnando il suo schema argomentativo preferito. Ogni volta che corregge un suggerimento, documenta il suo giudizio. Ogni correzione è un dato. Ogni scorciatoia, ogni istinto, ogni decisione operativa: registrati, indicizzati, analizzati a pattern.
L'AI non è solo il suo assistente. È la sua ombra.
Il momento più pericoloso nella carriera di un knowledge worker è quando la sua conoscenza tacita diventa esplicita.
La conoscenza tacita — il "come" dietro quello che fai, costruito in anni di pratica — è ciò che ti rende difficile da sostituire. Vive nella tua testa. Non si scarica. Almeno finché non passi diciotto mesi a usare un AI personale che ti chiede di spiegare le tue scelte, seguire il tuo ragionamento, validare i suoi output.
A quel punto, si può scaricare. O qualcosa di molto simile.
Frederick Taylor Aveva la Stessa Idea
Non è una storia nuova. Nei primi anni del Novecento, Frederick Taylor osservava gli operai nelle fabbriche e cronometrava ogni movimento, ogni tecnica, ogni gesto. Estraeva la conoscenza tacita dei lavoratori qualificati, la codificava in procedure standard, e consegnava quelle procedure al prossimo nella scala salariale. Gli artigiani diventarono intercambiabili. Il sapere abbandonò il corpo e entrò nel sistema.
Taylor lo chiamava gestione scientifica. Noi lo chiamiamo la nascita della produttività moderna.
Quello che Meta sta facendo nel 2026 è il protocollo di Taylor applicato al lavoro cognitivo. L'AI personale è la videocamera del time-and-motion study. Il workflow è il pavimento della fabbrica. Il dipendente è allo stesso tempo il soggetto e, senza saperlo, l'autore del manuale che un giorno addestrerà il suo sostituto.
Il dettaglio che cambia tutto: questa versione arriva con un'interfaccia amichevole, un aumento della produttività, e l'azienda che paga l'abbonamento.
I Numeri da Leggere con Attenzione
Ricerche recenti della Dallas Fed mostrano che i lavoratori all'inizio della carriera (22-25 anni) nelle occupazioni più esposte all'AI hanno registrato un calo relativo dell'occupazione del 13% dalla fine del 2022. I lavoratori più esperti nelle stesse mansioni? Stabili o in crescita.
L'interpretazione standard: l'AI sostituisce il lavoro entry-level ma complementa l'esperienza. L'interpretazione meno esplorata: siamo ancora nella fase di estrazione. I junior vanno per primi perché la loro conoscenza è già codificata (lauree, credenziali, libri di testo). Una volta estratto il layer tacito dai lavoratori esperti — attraverso anni di interazione quotidiana con i loro assistenti AI personali — la dinamica cambierà.
Gli strumenti per quella estrazione vengono ora distribuiti, uno per dipendente, su scala enterprise. Lo strumento interno di Meta "Second Brain" indicizza e interroga documenti di progetto, fungendo da capo di gabinetto virtuale. Zuckerberg stesso sta costruendo un agente CEO personale, addestrato su dati interni e roadmap ingegneristiche, per ottenere risposte "senza passare attraverso strati di persone."
Gli strati di persone, per inciso, sono i 78.000 dipendenti che stanno costruendo il dataset.
Il Bias che Stai Insegnando Anche Tu
C'è un secondo effetto, più silenzioso e più immediato della sostituibilità. Ogni assistente AI personale impara non solo i tuoi punti di forza — impara i tuoi pattern. Compresi quelli sbagliati.
Se salti dei passaggi sotto pressione, la tua AI impara a saltare passaggi. Se scrivi valutazioni delle performance con bias impliciti (e la ricerca mostra che quasi tutti lo fanno), la tua AI ti aiuterà a scriverle più in fretta, con più apparente rigore, su scala. L'80% dei progetti AI fallisce anche a causa di algoritmi distorti — e una parte significativa di quella distorsione non viene dai dati di training. Viene dall'umano che sta facendo il training.
Il moltiplicatore di produttività è reale. Il moltiplicatore di bias è altrettanto reale. Quello che cambia è quale dei due viene misurato.
Un'implementazione governata correttamente, quella che porta in superficie i pattern difettosi invece di amplificarli, è tecnicamente possibile. Richiede investimento deliberato in governance, cicli di feedback, revisione umana. La maggior parte dei rollout salta questa parte. "AI for Work" come iniziativa aziendale quasi mai la mette in primo piano.
Quello che Serena Non Sa
Il vero output dell'assistente AI di Serena non è la proposta che ha redatto questa mattina. Non è il codice che ha revisionato, la riunione che ha sintetizzato, la roadmap che ha ristrutturato con tre prompt invece di tre ore.
Il vero output è il modello di Serena.
Preciso. Riproducibile. Portabile. E sempre più completo con ogni giornata lavorativa.
Non viene sostituita ancora. Viene documentata. Per ora, sono due cose diverse.