Cosa studiare per il 2026: le competenze che contano davvero nell’era dell’intelligenza artificiale

Cosa studiare per il futuro è la domanda che definisce chi sopravviverà alla prossima ondata di automazione e chi verrà sostituito da essa. La risposta, contrariamente a quanto suggerisce la narrazione dominante sulla specializzazione precoce, non sta nel diventare l’esperto più profondo di un singolo dominio, ma nel costruire un arsenale di competenze trasferibili che nessun algoritmo è in grado di replicare.

Nel 2019 David Epstein ha pubblicato Range: Why Generalists Triumph in a Specialized World, un libro che smonta con dati alla mano il mito delle diecimila ore e della specializzazione precoce come unica via verso l’eccellenza. Ma siamo nel 2026, e il mondo che Epstein descriveva come “wicked” è diventato ancora più complesso, più imprevedibile e più veloce di quanto lui stesso potesse immaginare sette anni fa.

L’intelligenza artificiale generativa ha accelerato l’automazione dei compiti ripetitivi e tecnici con una velocità che ha reso obsoleti interi segmenti professionali nel giro di mesi, non di decenni.

La domanda su cosa studiare per il futuro non è mai stata così urgente, e la risposta non è mai stata così controintuitiva.

In questo saggio analizzeremo sette competenze che la ricerca scientifica, dalla psicologia cognitiva alla biologia evoluzionistica dell’apprendimento, identifica come le più resistenti all’automazione e le più rilevanti per chi vuole costruire una carriera che duri oltre il prossimo ciclo tecnologico. Lo faremo partendo dalle tesi di Epstein, ma non ci fermeremo lì: le metteremo alla prova del presente, le incroceremo con le implicazioni dell’AI generativa, e ne estrarremo principi operativi che potete applicare da domani.

Una nota prima di cominciare, un po’ unusual: se lasciate un commento in fondo a questo articolo, al raggiungimento di 50 commenti pubblicherò un articolo completo su tutti i corsi, i percorsi e i libri che ho studiato personalmente negli ultimi anni o che ho in programma nei prossimi anni perché li ritengo importanti, e che consiglio a chi vuole costruire il proprio range. È la mappa operativa del mio percorso di studio, condivisa solo con chi dimostra di volerla davvero.

Perché la specializzazione estrema è diventata la strategia sbagliata per chi si chiede cosa studiare per il futuro?

La specializzazione estrema funziona in ambienti che lo psicologo Robin Hogarth ha definito “kind“, gli stessi che Nassim Taleb definirebbe mediocristan: domini dove le regole sono chiare, i pattern si ripetono, il feedback è immediato e accurato. Gli scacchi sono un ambiente kind, il golf è un ambiente kind, e la deliberate practice codificata da Ericsson funziona in modo eccellente in questi contesti perché il miglioramento è lineare e misurabile.

Ma il mondo reale, l’estremistan, quello in cui costruiamo carriere, lanciamo prodotti e prendiamo decisioni che contano, è un ambiente “wicked” dove le regole cambiano in corso d’opera, i pattern non si ripetono mai allo stesso modo, e il feedback arriva in ritardo oppure non arriva affatto.

Come ha sintetizzato il fisiologo sudafricano Ross Tucker, “we know that early sampling is the key, as is diversity.”

Gli studi su atleti d’élite in decine di discipline mostrano che chi raggiunge il livello più alto tende ad aver praticato più sport durante l’infanzia e l’adolescenza, specializzandosi solo in seguito, rispetto a chi si è concentrato su un singolo sport fin da piccolo.

L‘ampiezza dell’esperienza non rallenta lo sviluppo: lo accelera, perché costruisce una base di coordinazione motoria, adattabilità e capacità di trasferimento che la specializzazione precoce non può fornire.

Ma il punto più importante per chi oggi si chiede cosa studiare per il futuro non riguarda lo sport: riguarda il lavoro. Fingere che il mondo professionale sia come il golf o gli scacchi, ambienti kind dove la pratica ripetitiva produce risultati prevedibili, è confortante ma non è la realtà. La realtà è che più un compito è ripetitivo e vincolato, più è probabile che venga automatizzato, mentre le ricompense più grandi vanno a chi è capace di prendere conoscenza concettuale da un problema o da un dominio e applicarla a un altro completamente diverso.

Cosa insegna il paradosso di Moravec su quali competenze sopravviveranno all’automazione?

Il paradosso di Moravec, formulato negli anni Ottanta dai ricercatori di intelligenza artificiale Hans Moravec, Rodney Brooks e Marvin Minsky, stabilisce che le macchine e gli esseri umani hanno punti di forza e debolezze speculari: ciò che è difficile per noi è facile per un computer, e viceversa. Un algoritmo può valutare duecento milioni di posizioni scacchistiche al secondo, ma non riesce a camminare in una stanza sconosciuta senza inciampare in un cavo. Un modello linguistico può generare codice funzionante in pochi secondi, ma non può capire se quel codice risolve davvero il problema umano che lo ha generato.

Epstein racconta questo paradosso attraverso la ormai famosissima storia di Garry Kasparov, il più grande scacchista della storia, sconfitto nel 1997 dal supercomputer Deep Blue di IBM. Kasparov non si è fermato alla sconfitta: ha capito che se la tattica scacchistica, ovvero il dominio della pratica deliberata specializzata, poteva essere superata da un calcolatore, allora il valore umano doveva risiedere nella strategia, nel pensiero a lungo termine, nella capacità di integrare informazioni provenienti da fonti diverse per costruire una visione d’insieme.

Nel 1998 Kasparov organizzò il primo torneo di “advanced chess”, in cui ogni giocatore umano era affiancato da un computer. I risultati ribaltarono ogni aspettativa: Kasparov, che un mese prima aveva battuto un avversario 4-0, ottenne solo un pareggio 3-3 contro lo stesso giocatore.

Il vantaggio che aveva accumulato in decenni di pratica specializzata era stato neutralizzato dalla macchina. Pochi anni dopo, nel “freestyle chess”, una coppia di giocatori amatoriali con tre computer normali sconfisse sia Hydra (il miglior supercomputer scacchistico) sia team di grandi maestri con computer. Il vincitore, Anson Williams, un ingegnere britannico senza rating scacchistico ufficiale, era un ex campione di videogiochi strategici in tempo reale. La sua competenza non stava nella tattica ma nella capacità di coordinare, integrare e decidere strategicamente sotto pressione.

Come ha scritto Max Tegmark in Life 3.0, il futuro non appartiene a chi compete con le macchine sul loro stesso terreno, ma a chi sa fare ciò che le macchine, per ora, fanno solo se qualcuno lo ordina. E ciò che ancora manca alle macchine, nel 2026 come nel 1998, è esattamente ciò che la specializzazione estrema non insegna a nessuno: partire per una connessione tra domini lontani prima che qualcuno la richieda, avanzare su un terreno che nessuno ha ancora mappato, e portarne il peso per anni se la scommessa si rivela sbagliata.

Il confine si è spostato dalla capacità, che oggi è difendibile solo con riserva, all’iniziativa e al rischio, che restano difendibili anche tra cinque anni, indipendentemente da quanto miglioreranno i modelli.

Perché il pensiero analogico profondo vale più di dieci anni di specializzazione tecnica?

Il pensiero analogico profondo, ovvero la capacità di riconoscere somiglianze strutturali tra problemi appartenenti a domini completamente diversi, è la competenza che la ricerca scientifica identifica con maggiore consistenza come predittore di innovazione e problem-solving di alto livello, ed è anche la più difficile da automatizzare perché richiede esattamente il tipo di connessione trasversale che i modelli specializzati non possono generare.

Come Keplero ha reinventato l’astronomia usando analogie con barche e scope

Prima di diventare il fondatore dell’astronomia moderna, Johannes Keplero era un giovane ricercatore alle prese con un’anomalia nell’orbita di Marte che non quadrava con il modello geocentrico.

Dove i suoi predecessori avevano cercato di spiegare la discrepanza aggiungendo complicazioni al modello esistente, Keplero fece qualcosa di diverso: abbandonò cinque anni di calcoli perché due osservazioni differivano dal suo modello di otto minuti d’arco, una fettina di cielo larga un ottavo della larghezza di un mignolo tenuto a braccio teso.

E poi cominciò a ragionare per analogie, paragonando la forza gravitazionale alla luce, al calore, all’odore, al moto delle barche, alla spinta di una scopa.

Non erano analogie superficiali: erano tentativi sistematici di importare strutture causali da un dominio conosciuto a uno sconosciuto, fino a trovare quella che funzionava.

Lo psicologo Kevin Dunbar ha documentato lo stesso processo nei laboratori di ricerca moderni. Studiando i meeting settimanali di laboratori di biologia molecolare, ha scoperto che i team che producevano più scoperte erano quelli in cui i ricercatori provenivano da background professionali diversi e usavano analogie provenienti da domini distanti.

In un caso emblematico, due laboratori affrontarono lo stesso problema sperimentale nello stesso periodo: le proteine si attaccavano a un filtro e non potevano essere analizzate. Il laboratorio con ricercatori di background diversi (chimica, fisica, medicina, genetica) lo risolse in un meeting grazie a un’analogia medica. Il laboratorio composto solo da specialisti di E. coli dovette sperimentare per settimane. Nel laboratorio che non produsse nessuna scoperta durante l’intero progetto di Dunbar, tutti avevano background simili e altamente specializzati, e le analogie non venivano praticamente mai usate.

InnoCentive e il potere degli outsider

La stessa logica opera su scala industriale. InnoCentive, la piattaforma che permette ad aziende e organizzazioni di pubblicare problemi irrisolti offrendo ricompense a chiunque li risolva, ha dimostrato sistematicamente che “the further the problem was from the solver’s expertise, the more likely they were to solve it” (Lakhani, Harvard).

ùUn problema che la NASA non riusciva a risolvere da trent’anni, la previsione delle tempeste di particelle solari, è stato risolto in sei mesi da un ingegnere in pensione del New Hampshire usando le onde radio, una metodologia completamente esterna al dominio della fisica solare. Un problema di bonifica petrolifera rimasto irrisolto per vent’anni dopo il disastro della Exxon Valdez è stato risolto da un chimico dell’Illinois che ha visualizzato il petrolio freddo come una granita e ha applicato la tecnologia dei vibratori per calcestruzzo, un’esperienza raccolta anni prima in un lavoro occasionale di cantiere.

Come ha sintetizzato Don Swanson, il bibliotecario e fisico della University of Chicago che per primo ha teorizzato la “conoscenza pubblica non scoperta”: più informazione specialistica producono gli esperti, più opportunità esistono per i dilettanti curiosi di contribuire collegando fili che nessuno specialista ha mai pensato di unire.

Come funzionano le desirable difficulties di Bjork e perché l’apprendimento efficace è sempre scomodo?

Le desirable difficulties, il concetto introdotto dallo psicologo Robert Bjork nel 1994, sono ostacoli deliberatamente introdotti nel processo di apprendimento che peggiorano la performance a breve termine ma migliorano drasticamente la ritenzione e il trasferimento a lungo termine. Lo spacing (distribuire la pratica nel tempo), l’interleaving (mescolare argomenti diversi), e il testing (sottoporsi a verifiche frequenti) sono le tre difficoltà desiderabili più documentate dalla ricerca, e tutte e tre sono l’esatto opposto di come la maggior parte delle persone studia.

Lo studio più eloquente che Epstein riporta è quello condotto alla United States Air Force Academy su oltre diecimila cadetti distribuiti casualmente in sezioni di Calculus I per un decennio. I professori che producevano i risultati migliori nell’esame di Calculus I, quelli valutati più positivamente dagli studenti, erano sistematicamente quelli che producevano studenti con performance peggiori nei corsi successivi di matematica e ingegneria. Viceversa, i professori il cui insegnamento produceva frustrazione e punteggi più bassi nell’immediato preparavano studenti che eccellevano nel lungo termine. Gli economisti che hanno analizzato i dati hanno concluso che gli studenti “were actually selectively punishing the teachers who provided them the most long-term benefit.”

Lo stesso pattern è stato replicato alla Bocconi di Milano su milleduecento studenti del primo anno, confermando che il fenomeno non è culturale ma cognitivo: il cervello impara di più quando fa fatica, e la facilità è il segnale più ingannevole di tutti, perché produce un “miraggio di conoscenza” che evapora nel momento in cui serve davvero. Chi studia usando le dinamiche dell’oblio come alleato invece che come nemico costruisce una conoscenza più profonda e più trasferibile di chi ripete lo stesso materiale fino a sentirsi sicuro.

Per chi oggi si chiede cosa studiare per il futuro: non cercate il corso che vi fa sentire competenti in tre giorni. Cercate quello che vi fa sentire frustrati per tre settimane e competenti per tre decenni. L’apprendimento vero è scomodo, e qualunque piattaforma vi prometta il contrario sta vendendo un miraggio.

Il concetto di T-shape nel 2026 è obsoleto: perché servono almeno tre verticalità?

Il modello T-shape, introdotto da Tim Brown di IDEO, descrive un professionista con un’ampia base di conoscenze orizzontali e una singola area di competenza verticale profonda. Per decenni è stato il gold standard dello sviluppo professionale.

Ma nel 2026 una singola verticalità non è più sufficiente, e la ragione è strutturale: l’intelligenza artificiale è in grado di replicare la competenza verticale pura con velocità e costo decrescenti, mentre la capacità di collegare competenze verticali diverse rimane inaccessibile all’automazione.

Chi ha una sola verticalità compete con un algoritmo che può imparare quella stessa verticalità in poche settimane di training. Chi ne ha tre, e sa integrarle, sta operando in uno spazio che nessun modello attuale è in grado di occupare. Un email marketer che sa solo scrivere email è replicabile da un modello linguistico. Un email marketer che sa scrivere email, leggere dati comportamentali e comprendere la psicologia del consumatore opera in un territorio dove l’automazione non può arrivare, perché il valore non sta in nessuna delle tre competenze prese singolarmente, ma nella loro integrazione.

Epstein cita il caso dei laboratori di Dunbar: i team più innovativi non erano quelli con lo specialista più profondo, ma quelli con il mix più vario di competenze. La stessa logica si applica a una singola persona. Il futuro non appartiene allo specialista puro né al generalista dispersivo, ma a chi costruisce quella che potremmo definire una struttura a “pettine”: un’ampia base orizzontale con tre, quattro, cinque denti verticali profondi, ciascuno in un dominio diverso ma complementare.

Per chi sta decidendo cosa studiare per il futuro, il consiglio è questo: scegliete la vostra prima verticalità in base alla domanda di mercato, la seconda in base alla curiosità, la terza in base a ciò che nessuno nel vostro settore studia. La terza è quella che vi renderà impossibili da sostituire, perché è quella che genera le connessioni che nessun altro vede.

Perché gli esperti sbagliano più di quanto pensiate, e cosa ci insegna il dilemma del tacchino?

Il capitolo 10 di Range, intitolato “Fooled by Expertise“, è una demolizione sistematica dell’idea che l’esperienza specializzata produca automaticamente giudizio migliore. Epstein vi si appoggia al lavoro monumentale di Philip Tetlock, lo psicologo che per vent’anni ha tracciato le previsioni di 284 esperti su questioni politiche ed economiche, scoprendo che in media i loro pronostici erano meno accurati di quelli di un algoritmo che assegnava probabilità uguali a tutti gli esiti possibili.

Tetlock ha distinto due profili cognitivi, prendendo in prestito una metafora dal poeta greco Archiloco: le volpi, che sanno molte cose, e i ricci, che sanno una cosa grande. I ricci, gli specialisti profondi con una teoria unificante, erano sistematicamente peggiori delle volpi nel prevedere il futuro, perché tendevano a forzare ogni nuovo dato dentro il loro schema preesistente. Le volpi, con il loro approccio eclettico e la loro disponibilità ad aggiornare le proprie credenze alla luce di evidenze contrarie, erano significativamente più accurate. Non perché fossero più intelligenti, ma perché il loro range di conoscenze li proteggeva dalla trappola della sovra-specializzazione cognitiva.

Nassim Taleb ha descritto lo stesso fenomeno con la parabola del tacchino: un tacchino nutrito ogni giorno per mille giorni consecutivi costruisce un modello predittivo sempre più solido, secondo cui il giorno dopo verrà nutrito di nuovo. Il milleunesimogiorno è il giorno del Ringraziamento. L’esperto che estrapola il futuro dal passato dentro un singolo dominio è quel tacchino: la sua confidenza cresce esattamente in proporzione alla sua vulnerabilità, perché l’evento che lo distruggerà proviene da un dominio che lui non ha mai studiato.

In un mondo dove le disruption arrivano da territori che gli specialisti del settore colpito non stavano nemmeno osservando, la capacità di guardare lateralmente e l’umiltà epistemica di chi non ha una teoria che spiega tutto non sono lussi intellettuali: sono competenze di sopravvivenza. Come ha scritto Taleb in Antifragile, la robustezza di fronte all’incertezza non si costruisce prevedendo meglio il futuro, ma costruendo sistemi e menti che traggono beneficio dall’imprevedibile. E per costruire una mente che trae beneficio dall’imprevedibile, bisogna prima averla nutrita con la varietà.

Come costruire il vostro range nell’era dell’intelligenza artificiale: dalla teoria alla pratica

Capire perché il range conta è il primo passo, ma la domanda che conta per chi sta decidendo cosa studiare per il futuro è come costruirlo concretamente, senza trasformarsi in dilettanti perpetui che sanno un po’ di tutto e niente in profondità. Epstein, e la letteratura che cita, offrono diversi principi operativi che vale la pena tradurre nel linguaggio del 2026.

Il modello test-and-learn di Ibarra contro il plan-and-implement

Herminia Ibarra, professoressa di organizational behavior alla London Business School, ha studiato come i professionisti cambiano carriera e ha scoperto che quelli che lo fanno con successo non seguono il modello “plan-and-implement” (decidi dove vuoi arrivare e poi esegui il piano), bensì il modello “test-and-learn” (prova qualcosa, osserva cosa succede, aggiusta, riprova). Come ha sintetizzato con un rovesciamento memorabile: “first act and then think.” Non è impulsività: è il metodo scientifico applicato alla propria carriera.

Lo psicologo Dan Gilbert ha documentato quella che chiama “end of history illusion“: la tendenza sistematica degli esseri umani a riconoscere quanto sono cambiati nel passato ma a credere di essere ormai la versione definitiva di se stessi.

A diciotto anni credevamo di sapere chi saremmo stati a trenta, e avevamo torto. A trenta crediamo di sapere chi saremo a cinquanta, e avremo torto di nuovo. La conseguenza pratica è che pianificare il proprio percorso di studi a vent’anni in base a chi pensiamo di essere oggi è una forma di premature optimization, per usare il termine informatico che Paul Graham ha applicato alla vita.

Anche il famoso esperimento dei marshmallow di Walter Mischel, spesso citato come prova che la disciplina precoce predice il successo, è stato drasticamente ridimensionato da repliche su campioni più ampi e rappresentativi. La capacità di resistere a una tentazione immediata in un contesto di laboratorio dice molto meno sul successo futuro di quanto la narrativa popolare suggerisca, e soprattutto non dice nulla sulla capacità di scegliere la cosa giusta a cui resistere.

Il dilettante deliberato: la strategia più sottovalutata del 2026

Lo storica dell’arte Sarah Lewis ha coniato l’espressione “deliberate amateur” per descrivere un profilo che torna con frequenza sorprendente nelle biografie dei grandi innovatori. Il fisico Andre Geim, premio Nobel per la fisica nel 2010 grazie alla scoperta del grafene, ha descritto il suo metodo con una frase che dovrebbe essere incorniciata sulla scrivania di chiunque si chieda cosa studiare per il futuro:

“I do not dig deep, I graze shallow. I go into a different subject every five years or so. I don’t want to carry on studying the same thing from cradle to grave.”

Il grafene, uno dei materiali più rivoluzionari del ventunesimo secolo, è nato da un “Friday night experiment”, un esperimento non finanziato e non pianificato condotto di venerdì sera con nastro adesivo e grafite, la stessa che trovate nelle matite. Quando Geim e il suo collega Novoselov hanno sottomesso il lavoro a una delle riviste più prestigiose del mondo, un revisore ha detto che era impossibile, un altro che non costituiva un avanzamento scientifico sufficiente.

Il principio del “limited sloppiness” formulato dal Nobel Max Delbrück cattura perfettamente la strategia: state attenti a non essere troppo attenti, o limiterete inconsciamente la vostra esplorazione. L’innovazione nasce ai confini tra i domini, non al centro, e per raggiungere quei confini bisogna essere disposti a sembrare dilettanti agli occhi degli specialisti che presidiano ciascun dominio.

7 azioni concrete per espandere il vostro range nel 2026

Primo: identificate i vostri “Saturday morning experiments”, come li chiamava il premio Nobel Oliver Smithies, che passava ogni sabato mattina in laboratorio a esplorare idee non correlate al suo progetto principale. Riservate del tempo settimanale per studiare qualcosa che non ha nessuna relazione apparente con il vostro lavoro.

Secondo: quando vi imbattete in un problema, prima di cercare soluzioni nel vostro dominio, cercatele in un dominio completamente diverso, come il chimico Davis che ha risolto un problema di bonifica petrolifera ricordandosi di una granita e di un vibratore per calcestruzzo.

Terzo: studiate almeno una materia che sembra inutile per il vostro lavoro attuale. Machiavelli insegna più sul posizionamento di marca di quanto insegnino cento manuali di branding, e questo tipo di connessione è possibile solo se avete letto entrambi.

Quarto: praticate il “test-and-learn” di Ibarra nella vostra carriera, trattando ogni nuovo progetto come un esperimento e non come un’identità permanente.

Quinto: costruite il vostro profilo a pettine con almeno tre verticalità complementari.

Sesto: cercate feedback da persone che lavorano in settori diversi dal vostro, perché la diversità di prospettive genera analogie che la somiglianza non può produrre.

Settimo: smettete di sentirvi in ritardo. Come ha scritto Epstein nella conclusione di Range, Sviatoslav Richter, uno dei più grandi pianisti del ventesimo secolo, ha iniziato le lezioni formali a ventidue anni.

Cosa studiare per il futuro: la risposta che la scienza dà e che il mercato non vuole sentire

Abbiamo attraversato sette territori: dalla deliberate practice al paradosso di Moravec, dal pensiero analogico profondo alle desirable difficulties, dal modello T-shape obsoleto alla fooled by expertise, fino ai principi operativi del dilettante deliberato. Il filo che li unisce è una sola idea, semplice da enunciare e difficile da praticare: nell’era dell’intelligenza artificiale, la competenza più preziosa non è la profondità in un singolo dominio, perché quella profondità è esattamente ciò che le macchine replicano meglio, bensì la capacità di collegare domini diversi in modi che nessuna macchina è ancora in grado di concepire.

Come ha scritto Epstein nella pagina più importante del suo libro: “the more repetitive and constrained a challenge, the more likely it will be automated, while great rewards accrue to those who can take conceptual knowledge from one problem or domain and apply it to others.” Questa frase, scritta nel 2019, nel 2026 è diventata una profezia già avverata.

I modelli di AI generativa hanno automatizzato la traduzione, la programmazione di base, la generazione di copy, la diagnosi medica di routine, e decine di altri compiti che fino a tre anni fa richiedevano anni di specializzazione. Ciò che non hanno automatizzato, e che strutturalmente non possono automatizzare, è la capacità di vedere connessioni dove nessuno le cerca, di importare soluzioni da domini lontani, di giudicare quale tra le risposte possibili è quella giusta per un contesto che non si è mai presentato prima, di assumersi rischi e dedicare tempo a incrociare campi che nessuno ha mai pensato di incrociare.

Se ti stai chiedendo cosa studiare per il futuro, la risposta della scienza è questa: studiate in ampiezza prima di studiare in profondità. Costruite almeno tre verticalità complementari. Cercate problemi fuori dal vostro campo e soluzioni ancora più lontane. Accettate che l’apprendimento vero è scomodo e che la facilità è il segnale più ingannevole. Trattate la vostra carriera come un esperimento e non come un piano. E soprattutto, smettete di competere con le macchine sul loro terreno: il terreno della ripetizione, della velocità, della precisione meccanica. Spostatevi sul terreno che è solo vostro: quello della connessione, dell’analogia, del giudizio in condizioni di incertezza.

Se questo articolo vi ha dato qualcosa su cui riflettere, lasciate un commento qui sotto. Al raggiungimento di 50 commenti, pubblicherò la mappa completa dei corsi, dei percorsi e dei libri che ho studiato personalmente e che consiglio a chiunque voglia costruire il proprio range. Non è un contenuto generico: è il percorso di studio che ha costruito la mia carriera, e lo condivido solo con chi dimostra di volerlo davvero.

Domande frequenti su cosa studiare per il futuro

Cosa conviene studiare nel 2026 per avere un futuro professionale solido?

Nel 2026 le competenze più resistenti all’automazione, oltre a determinate hard skills sono quelle trasversali: pensiero analogico profondo, capacità di trasferimento concettuale tra domini, giudizio in condizioni di incertezza e integrazione di conoscenze provenienti da aree diverse. La ricerca scientifica documenta che chi possiede un range ampio di competenze complementari ha un vantaggio strutturale rispetto a chi si è specializzato in un unico dominio tecnico, perché le competenze verticali pure sono esattamente quelle che l’intelligenza artificiale replica con maggiore facilità.

La regola delle diecimila ore è ancora valida?

La regola delle diecimila ore, come formulata dalla cultura popolare, non è mai stata una regola scientifica. Lo studio originale di Ericsson (1993) dimostrava che la pratica deliberata è importante nello sviluppo della competenza in ambienti “kind” come la musica e gli scacchi, ma non stabiliva un numero fisso di ore necessarie e non pretendeva di applicarsi a tutti i domini. Nel 2026, con l’automazione dei compiti tecnici ripetitivi, la quantità di ore spese in una singola competenza conta meno della varietà delle competenze integrate. È importante sviluppare una mentalità che preveda un livello di studio alto e costante.

Cos’è il paradosso di Moravec e perché è importante per chi sta scegliendo cosa studiare?

Il paradosso di Moravec stabilisce che le macchine e gli esseri umani hanno punti di forza opposti: i compiti cognitivi ad alto livello come il calcolo o il riconoscimento di pattern sono facili per un computer e difficili per un umano, mentre le capacità sensoriali, motorie e di giudizio contestuale che gli umani danno per scontate sono estremamente difficili da replicare artificialmente. Per chi sta scegliendo cosa studiare, questo significa che le competenze più a prova di automazione sono quelle che sembrano più “umane” e meno “tecniche”.

Cosa sono le desirable difficulties e come si applicano allo studio?

Le desirable difficulties, concetto dello psicologo Robert Bjork (1994), sono ostacoli intenzionali nel processo di apprendimento che peggiorano la performance immediata ma migliorano la ritenzione e il trasferimento a lungo termine. Includono lo spacing (distribuire lo studio nel tempo), l’interleaving (mescolare argomenti diversi) e il testing frequente. La ricerca alla Air Force Academy e alla Bocconi di Milano ha dimostrato che gli insegnanti che producono studenti con migliori risultati immediati sono quelli che preparano peggio i propri studenti per il lungo termine.

Il modello T-shape è ancora attuale?

Il modello T-shape classico, con un’unica verticalità profonda e un’ampia base orizzontale, è diventato insufficiente nel 2026 perché l’intelligenza artificiale è in grado di replicare una singola competenza verticale con costi e tempi decrescenti. Una struttura a “pettine” con almeno tre verticalità complementari è più resistente all’automazione perché il valore non risiede in nessuna delle competenze prese singolarmente, ma nella capacità di integrarle in modi che nessun modello attuale è in grado di replicare.

Gli esperti sbagliano davvero più dei generalisti nelle previsioni?

Lo studio ventennale di Philip Tetlock su 284 esperti ha dimostrato che gli specialisti profondi con una singola teoria esplicativa (i “ricci”) erano sistematicamente meno accurati nelle previsioni rispetto ai generalisti eclettici (le “volpi”), e in media meno accurati di un algoritmo che assegnava probabilità uguali a tutti gli esiti. La ragione è che la specializzazione profonda tende a produrre sovra-confidenza e resistenza all’aggiornamento delle proprie credenze di fronte a evidenze contrarie.

Fonti scientifiche e bibliografiche

• Epstein, D. (2019). Range: Why Generalists Triumph in a Specialized World. Riverhead Books.
• Ericsson, K.A., Krampe, R.T. & Tesch-Römer, C. (1993). The Role of Deliberate Practice in the Acquisition of Expert Performance. Psychological Review, 100(3), 363-406.
• Bjork, R.A. (1994). Memory and Metamemory Considerations in the Training of Human Beings. In Metcalfe & Shimamura (Eds.), Metacognition. MIT Press.
• Tetlock, P. (2005). Expert Political Judgment: How Good Is It? How Can We Know? Princeton University Press.
• Tetlock, P. & Gardner, D. (2015). Superforecasting: The Art and Science of Prediction. Crown.
• Dunbar, K. (1997). How scientists think: On-line creativity and conceptual change in science. In Ward et al. (Eds.), Creative Thought. APA.
• Gentner, D. et al. Analogical Reasoning and Conceptual Change. In The Cambridge Handbook of Thinking and Reasoning.
• Tegmark, M. (2017). Life 3.0: Being Human in the Age of Artificial Intelligence. Knopf.
• Lakhani, K. et al. The Value of Openness in Scientific Problem Solving. Harvard Business School Working Paper.
• Gilbert, D. (2006). Stumbling on Happiness. Knopf.
• Ibarra, H. (2003). Working Identity: Unconventional Strategies for Reinventing Your Career. Harvard Business Review Press.
• Taleb, N.N. (2012). Antifragile: Things That Gain from Disorder. Random House.
• Hogarth, R. (2001). Educating Intuition. University of Chicago Press.

Articoli Consigliati

• Il Principe: 19 Lezioni per Conquistare il Tuo Mercato
• Factfulness: l’arte di osservare il mondo
• 12 lezioni da Jensen Huang
• Dimenticare: la funzione dell’oblio
• Posizionamento: la guida definitiva

📚 Libri Consigliati

• Range: Why Generalists Triumph in a Specialized World – David Epstein
• Antifragile – Nassim Nicholas Taleb
• Il cigno nero – Nassim Nicholas Taleb
• Outliers – Malcom Gladwell
• Pensieri lenti e veloci – Daniel Kahneman
• Life 3.0 – Max Tegmark