George Leimer ha detto di aver riconosciuto subito l’immagine.

Durante una recente chiamata con il responsabile prodotto di Yahoo Finance, una slide mostrava due hamburger affiancati come metafora del lavoro prima e dopo l’intelligenza artificiale. Leimer si è avvicinato allo schermo e ha detto: “It’s totally that.”

La slide proveniva da Arvind Narayanan, informatico di Princeton che di recente ha tenuto un keynote alla International Conference on Machine Learning di Seoul. Nell’illustrazione di Narayanan, l’hamburger etichettato “Traditional” ha una polpetta spessa che rappresenta il livello di esecuzione del lavoro — scrivere codice, fare debugging e svolgere il compito — tra due panini relativamente piccoli. L’hamburger etichettato “With AI” mostra la polpetta ridotta a uno strato sottile, mentre il panino superiore, etichettato “decide”, e quello inferiore, etichettato “deliver”, sono diventati molto più grandi.

La metafora descrive un cambiamento nel lavoro della conoscenza. Il compito centrale, un tempo la parte più ampia del lavoro, viene compresso dall’AI. Ma il lavoro umano sopra e sotto quel livello di esecuzione non sta scomparendo. Al contrario, si stanno ampliando il lavoro di decidere cosa debba essere costruito e quello di validarlo, integrarlo e consegnarlo. Nelle parole di Leimer, il lavoro sta diventando sempre più una conversazione sul lavoro.

“We come in and talk to each other and we make sure that we really have real confirmation and conviction about, like, these are the things we’re going to do. And this is how we’re going to unleash the agents,” ha detto Leimer.

Il team di Leimer ha guidato lo sviluppo di AlphaSpace, un nuovo prodotto di investimento che era attivo sul mercato da circa due mesi quando Fortune ne ha parlato per la prima volta. In quel periodo, il team ha rilasciato oltre 100 nuove funzionalità, un ritmo che secondo Leimer mostra quanto rapidamente il livello di esecuzione abbia accelerato. Gli utenti trascorrono in AlphaSpace 3x più tempo rispetto all’utente medio di Yahoo Finance, ha detto a Fortune, e il team è riuscito a rispondere rapidamente ai feedback, anche aggiungendo dati sulle opzioni in tempo reale attraverso una partnership con Unusual Whales.

Leimer ha detto che sprint che un tempo duravano due settimane ora richiedono 24 ore: pianificazione al mattino, rilascio entro la fine della giornata e revisione del lavoro la sera. In un caso, il feedback di un utente è arrivato alle 4:45 p.m. di un venerdì; entro le 8:30 della stessa sera, il problema era stato corretto, revisionato e distribuito.

Nei team software, un ciclo di questo tipo cambia il significato di uno sprint agile. Se gli strumenti di AI rendono più rapida l’implementazione, la risorsa scarsa non è solo il tempo degli ingegneri, ma anche la capacità del team di scegliere il problema giusto, esaminare l’output e decidere se sia abbastanza sicuro e utile da rilasciare.

“In the old days,” ha detto Leimer, “that would have been, ‘We can’t launch it next week.’”

Il sandwich decide-execute-deliver

Narayanan chiama questo quadro il “decide-execute-deliver sandwich”. A suo avviso, la maggior parte del lavoro della conoscenza ha tre livelli. Il livello superiore consiste nel decidere cosa debba essere costruito e perché. Il livello intermedio è l’esecuzione, cioè l’implementazione vera e propria. Il livello inferiore è la consegna, che comprende integrazione, test, verifica e responsabilità di lungo periodo.

Gli agenti AI stanno comprimendo il livello intermedio. L’argomentazione di Narayanan è che il livello di esecuzione non ha mai rappresentato più di circa un terzo del lavoro complessivo. I due livelli esterni non stanno semplicemente restando al loro posto; stanno crescendo.

“The first and third layers are arguably expanding as AI compresses the middle layer,” ha detto Narayanan al pubblico dell’ICML. Una volta che costruire diventa meno costoso e più rapido, diventa più facile avviare progetti, ma più difficile tenere il passo nel decidere quali progetti contino davvero e nel verificare che ciò che è stato prodotto sia affidabile.

Man mano che l’AI abbassa le barriere tecniche, i ruoli iniziano a sfumare

Per anni, i team prodotto nelle grandi aziende tecnologiche sono stati spesso organizzati attorno a ciò che ciascuna persona non poteva fare. I designer creavano mockup statici e aspettavano che gli ingegneri li trasformassero in codice funzionante. I product manager scrivevano i requisiti ma avevano bisogno degli sviluppatori per testare se un’idea potesse funzionare. Gli analisti comprendevano i dati ma non costruivano sistemi di produzione.

I team di Yahoo affermano che questi confini stanno diventando meno rigidi mentre l’AI automatizza una parte crescente della “sintassi” necessaria per costruire software.

Nel team dietro Yahoo Scout, il motore di risposte AI dell’azienda, il principal product designer Nick Lockington ha iniziato a interrogare direttamente Vertex AI di Google, chiedendogli di generare logica JSON strutturata per nuove funzionalità. In seguito, un ingegnere ha osservato che Lockington aveva di fatto creato un’API funzionante tramite prompt, aggirando la fase di sviluppo tradizionale.

“It was a total ‘aha’ moment,” ha detto David Grandinetti, distinguished software apps engineer del progetto, sul blog di Yahoo. “Nick became immediately the most leveraged engineer on our team, because he was working at the highest level of abstraction.”

Altri membri del team hanno seguito percorsi simili. Un designer diventato molto prolifico nei commit di codice è stato descritto internamente come “design engineer”. Un ingegnere con una forte sensibilità per l’usabilità è stato definito “engineering designer”.

I dirigenti di Yahoo affermano che il punto non è la scomparsa dei titoli professionali. Piuttosto, i ruoli sono sempre più definiti dalle decisioni di cui le persone sono responsabili, non solo dal codice che possono produrre manualmente. I designer continuano a formulare giudizi sul comportamento degli utenti e sull’estetica. Gli ingegneri continuano a essere responsabili di architettura e sicurezza. Ma entrambi i gruppi possono ora costruire e iterare direttamente con strumenti di AI.

“This is about increasing decision velocity and cutting the cost of experimentation, so teams can test a hundred ideas instead of five and quickly discard failures without the traditional burden of technical debt,” ha detto Stephane Koenig, vicepresidente di Yahoo. “It allows us to reserve human expertise for the hardest decisions where you need context AI doesn’t have.”

Leimer ha espresso un concetto simile nella conversazione con Fortune: il lavoro è ormai in larga misura una conversazione sul lavoro. “We come in and talk to each other and we make sure that we really have real confirmation and conviction about like, these are the things we’re going to do,” ha detto.

Il rischio, ha aggiunto Leimer, è che i team debbano ora essere particolarmente “really thoughtful” riguardo al livello superiore del lavoro, perché l’AI rende facile “just build whatever you want”.

Leimer ha citato un consiglio del suo manager, il presidente di Yahoo Media Group Ryan Spoon: “It’s important that you’re really convicted about what you build,” perché i team possono costruire quasi qualsiasi cosa, quasi all’istante. In passato, ha detto, le organizzazioni dedicavano molto tempo al panino superiore perché le risorse ingegneristiche erano scarse. “You didn’t want to waste one second of an engineer’s time.” Ora il rischio è costruire immediatamente cose non necessarie — un modello che Kate Smaje, responsabile globale tecnologia e AI di McKinsey, aveva già descritto a Fortune come la trappola della “falsa produttività”.

Leimer ha detto che quando vede nel mondo lavoro generato dall’AI in modo trascurato — spesso chiamato “AI slop” — questo riflette casi in cui “where there’s a really skinny bun, basically.” In quei casi, gli esseri umani non sono stati abbastanza deliberati su ciò che rilasciano come prodotto del lavoro, perché la parte di esecuzione dell’hamburger è stata compressa quasi fino a scomparire.

Questa dinamica ha costi misurabili. I professionisti hanno iniziato a usare il termine “workslop” per descrivere email o prodotti di lavoro generati dall’AI e inviati per revisione senza una verifica adeguata. Esperti che scrivono sulla Harvard Business Review hanno sostenuto che il problema non è soltanto irritante, ma distruttivo per la produttività. Lo Stanford Social Media Lab ha stimato il costo in $9 million all’anno per un’azienda con 10,000 lavoratori, secondo un rapporto citato da Techdirt.

Questa preoccupazione è particolarmente rilevante mentre le aziende passano dalle demo di AI ai flussi di lavoro quotidiani. Una bozza, un prototipo o una funzionalità generata possono apparire completi prima di essere stati controllati rispetto alle esigenze degli utenti, ai requisiti di sicurezza, all’accuratezza dei dati e agli standard interni dell’organizzazione.

L’affaticamento decisionale diventa un nuovo vincolo

Nel complesso, questi esempi sostengono la visione di Narayanan secondo cui l’AI è oggi più una tecnologia di collaborazione che un motore di automazione completa. Egli sostiene che la maggior parte degli agenti AI abbia ancora difficoltà di affidabilità negli ambienti ad alto rischio, spingendo le aziende a preferire sistemi human-in-the-loop piuttosto che processi completamente automatizzati.

In Yahoo, i dirigenti affermano che il risultato si manifesta come affaticamento decisionale più che come perdita immediata di posti di lavoro. Poiché l’AI consente ai team di testare e costruire molte più funzionalità, il collo di bottiglia diventa il numero di decisioni che product manager, designer e ingegneri possono prendere, revisionare e accompagnare fino al completamento in modo ponderato.

Lockington ha detto che l’AI non elimina la complessità dei ruoli sovrapposti sul posto di lavoro. “Traditionally, you might have someone ask, ‘Why is this engineer doing design work?’ or ‘Why is this designer doing my job?’” ha detto. Ha attribuito a Koenig il merito di aver creato la sicurezza psicologica necessaria perché il team potesse gestire quelle domande. “We’ve been able to break that down.”

Leimer ha detto che, una volta creata questa sicurezza, il lavoro diventa “really fun”. Dopo circa 20 anni nel management, che lo avevano allontanato dal lavoro di costruzione e scrittura di codice da cui era partito, ha detto che il cambiamento ha modificato il modo in cui le persone vivono lo sviluppo prodotto. “Now, everybody’s got the cool job,” ha detto, perché tutti possono sentirsi parte del processo di costruzione in modo diretto. “It’s also been fun watching people get energized around the problem and the thing they’re building as opposed to spending more of their time on the process to get it built.”

Il futuro dell’hamburger — e il caso della pizza

Narayanan invita alla cautela rispetto all’idea che i lavori resteranno invariati. Ha detto di aspettarsi decenni di adattamento strutturale mentre le aziende si riorganizzano attorno all’AI, paragonando il processo alla transizione di 40 anni attraversata dalle fabbriche dopo che l’elettricità rese possibili le catene di montaggio.

Finora, tuttavia, il modello osservato in settori come software, diritto, medicina e traduzione di contenuti è che la domanda di lavoro umano si sposta e cresce man mano che l’AI si diffonde. I radiologi hanno adottato l’AI mentre l’occupazione è aumentata. Gli avvocati depositano più cause perché redigere documenti è più facile. I traduttori continuano ad avere lavoro stabile anni dopo che la traduzione automatica si è avvicinata alla parità con quella umana, perché non esiste un limite fisso a ciò che può essere tradotto o al numero di lingue in cui può esserlo.

L’esperienza di Yahoo suggerisce che il lavoro impiegatizio potrebbe seguire un percorso simile, anche se più disordinato. Con il calo delle barriere tecniche, i dirigenti dell’azienda affermano che iniziativa personale e giudizio stanno diventando elementi di differenziazione più importanti: non chi sa scrivere codice, ma chi sa decidere quali problemi valga la pena risolvere e come verificare ciò che l’AI produce.

A Leimer è stato chiesto di estendere ulteriormente la metafora alimentare, includendo un riferimento alle sue radici di Philadelphia e al celebre cheesesteak della città. Se l’elemento distintivo di un cheesesteak non è solo la carne ma il pane italiano da hoagie, la domanda era se questo valesse anche per il futuro del lavoro.

Leimer ha detto che il collo di bottiglia più grande è il “bottom bun”, cioè il livello di consegna. Dopo che un team decide cosa fare, il lavoro può essere prodotto quasi istantaneamente, ma la consegna resta difficile. “You’ve got to work through all the other stuff, you’ve got to review it,” ha detto, riferendosi ai rischi di sicurezza e alla necessità di costruire una pipeline di distribuzione, anche quando il lavoro sembra pronto per essere rilasciato premendo un solo pulsante.

Per i prodotti legati alle informazioni finanziarie, quel livello di consegna può includere qualità dei dati, autorizzazioni, affidabilità e fiducia degli utenti, oltre alla distribuzione del software. Questi controlli non scompaiono solo perché il codice o l’interfaccia possono essere generati più velocemente.

Alla domanda se la destinazione sia qualcosa di più simile a una pizza o a una focaccia — dove il lavoro umano è concentrato nelle decisioni, i compiti si riducono alla dimensione dei condimenti e la consegna diventa fluida — Leimer ha riso e ha detto: “Something like that.”

Nella metafora dell’hamburger di Narayanan, l’AI ha già assottigliato la polpetta. I panini in espansione sono il luogo in cui ora si trovano posti di lavoro, responsabilità e rischi. Resta aperta la questione se le aziende possano riprogettare il lavoro in qualcosa di più piatto e sostenibile nei prossimi anni, e forse decenni.

Questa storia è stata originariamente pubblicata su Fortune.com.