Perché nell’era dell’AI il valore professionale si sposta dalla generazione alla validazione, e quale ruolo spetta alle Società Scientifiche e all’Università.
Salvatore Pennisi – Università di Catania
Il licenziamento di 37 professionisti – tra ingegneri e informatici – nello stabilimento InvestCloud di Marghera non è un episodio isolato né un’anomalia locale. È un segnale coerente con una traiettoria già visibile in altri contesti industriali: dalla riduzione di team di sviluppo software in grandi multinazionali fino alla sostituzione di intere pipeline di progettazione con strumenti basati su intelligenza artificiale.
Negli ultimi due anni, sistemi di generazione automatica di codice, progettazione assistita e modellazione hanno ridotto drasticamente il tempo necessario per produrre soluzioni tecniche. Attività che richiedevano settimane di lavoro possono oggi essere prototipate in ore. Questo cambiamento ha un impatto diretto su una categoria che fino a poco tempo fa si considerava relativamente protetta: il lavoro altamente qualificato.
Il punto non è se questi strumenti aumentino la produttività – lo fanno – ma come questa produttività venga redistribuita. E qui il caso di Marghera diventa rilevante.
Efficienza locale, costo sistemico
Dal punto di vista aziendale, la sostituzione parziale di lavoro umano con strumenti di AI è una scelta razionale. Se un team di 10 ingegneri può essere ridotto a 6 mantenendo (o addirittura aumentando) l’output, il vantaggio competitivo è evidente.
Ma questa logica, applicata su larga scala, produce effetti sistemici. La riduzione del personale qualificato non è neutra: indebolisce la base di competenze locali, riduce la capacità di trasferimento tecnologico e, nel medio periodo, può compromettere la stessa capacità di innovazione.
Esempi simili sono già osservabili in altri settori:
- nella progettazione software, dove l’uso massivo di strumenti di code generation sta riducendo la domanda di profili junior;
- nella progettazione elettronica, dove tool avanzati di sintesi e verifica automatica stanno comprimendo alcune fasi tradizionali del design;
- nella consulenza tecnica, dove report complessi vengono oggi generati e raffinati con supporto AI.
Il rischio non è la scomparsa del lavoro tecnico, ma la sua polarizzazione: meno figure intermedie, più richiesta di competenze altamente specializzate e, al tempo stesso, una maggiore precarietà per chi non riesce a riconfigurarsi rapidamente.
Il nuovo valore: saper dire “no”
In questo scenario emerge un cambiamento profondo: il valore dell’ingegnere non è più soltanto nella capacità di produrre soluzioni, ma nella capacità di valutarle criticamente.
Un sistema di AI può generare un circuito, un algoritmo o un’architettura software formalmente corretti. Ma non è detto che siano:
- robusti in condizioni non ideali,
- stabili nel lungo periodo,
- sicuri rispetto a failure modes non previsti,
- ottimizzati rispetto a vincoli reali (energetici, economici, di scalabilità).
Qui si inserisce il ruolo umano: non tanto “costruire da zero”, ma riconoscere errori plausibili, identificare limiti nascosti, validare le ipotesi.
In altre parole, il nuovo valore professionale sta nella capacità di dire: questa soluzione funziona, oppure questa soluzione fallirà – e per quali ragioni.
È un cambiamento non banale, perché sposta il focus dalla produzione alla responsabilità tecnica.
Reskilling: evitare la scorciatoia retorica
Di fronte a questi cambiamenti, il termine “reskilling” viene spesso evocato come soluzione automatica. Ma senza una definizione rigorosa rischia di diventare una formula vuota.
Non ogni aggiornamento è un vero aggiornamento. Seguire un corso su un nuovo tool non equivale ad acquisire una nuova competenza. La differenza sta nella profondità: comprendere i modelli sottostanti, i limiti degli strumenti, le condizioni in cui falliscono.
Ad esempio:
- imparare a usare un generatore di codice è utile, ma comprendere come validarne l’output è decisivo;
- utilizzare strumenti di simulazione avanzata è importante, ma saper interpretare risultati anomali lo è ancora di più.
Qui le Società Scientifiche possono svolgere un ruolo concreto: contribuire a definire cosa sia un reskilling sostanziale, distinguendolo da aggiornamenti superficiali guidati da logiche di mercato.
Università: il ritorno del metodo (e della presenza)
Questo scenario ha implicazioni dirette anche per la formazione universitaria, e in particolare per le discipline tecniche.
Se l’accesso all’informazione, agli strumenti e persino alla generazione di contenuti è oggi ampiamente democratizzato, il valore dell’Università non può più essere identificato nella semplice trasmissione del sapere. Il punto centrale si sposta sul metodo: capacità di analisi, pensiero critico, gestione dell’incertezza e, soprattutto, capacità di validazione.
Ma questo passaggio ha una conseguenza spesso sottovalutata: il metodo non si trasferisce efficacemente in modo asincrono e disintermediato.
La relazione docente–discente, nella sua dimensione in presenza, non è un residuo del passato ma un elemento strutturale della formazione tecnica. È nel confronto diretto che emergono le ambiguità, che si chiariscono i fraintendimenti, che si sviluppa la capacità di porre domande corrette. L’interazione in aula consente al docente di modulare il livello di astrazione, di intercettare segnali deboli di incomprensione e di guidare lo studente in un processo che non è solo acquisizione di contenuti, ma costruzione di un modo di pensare.
Questo aspetto diventa ancora più evidente nell’esperienza di laboratorio.
Nel laboratorio non si apprendono soltanto tecniche, ma si sperimenta il divario tra modello e realtà. Un circuito che in simulazione converge può oscillare in pratica; un algoritmo formalmente corretto può fallire per condizioni non previste; una misura può essere falsata da fattori apparentemente marginali. È in questo spazio – tra previsione e comportamento reale – che si forma la competenza ingegneristica.
L’esperienza laboratoriale introduce lo studente alla gestione dell’errore, alla diagnosi, alla verifica. Sono competenze difficilmente comprimibili in contenuti digitali standardizzati, perché richiedono iterazione, supervisione e contesto fisico.
In questo quadro, le università telematiche avranno inevitabilmente un ruolo, ma è necessario chiarirne i confini.
La formazione a distanza è estremamente efficace per:
- la trasmissione di conoscenze strutturate;
- l’aggiornamento professionale continuo;
- l’accesso flessibile a contenuti per studenti lavoratori o non tradizionali.
Tuttavia, quando si tratta di formazione ingegneristica completa, emergono limiti difficilmente aggirabili:
- la ridotta interazione sincrona limita lo sviluppo del pensiero critico;
- l’assenza (o la simulazione) dell’esperienza laboratoriale riduce l’esposizione alla complessità reale;
- la standardizzazione dei percorsi può favorire un apprendimento più superficiale e meno riflessivo.
Il rischio non è la presenza delle università telematiche in sé, ma una loro sovraestensione a contesti in cui la formazione richiede interazione, sperimentazione e supervisione diretta.
In prospettiva, è plausibile una differenziazione più netta dei ruoli:
- da un lato, istituzioni orientate alla formazione metodologica e sperimentale, con forte componente in presenza;
- dall’altro, piattaforme e università telematiche focalizzate sulla diffusione e aggiornamento delle conoscenze.
Per le discipline ingegneristiche, il punto critico sarà mantenere l’equilibrio tra accessibilità e profondità. Un sistema che privilegia esclusivamente la scalabilità rischia di produrre competenze formalmente adeguate ma sostanzialmente fragili.
In un contesto in cui l’intelligenza artificiale rende sempre più facile ottenere risposte, il valore della formazione universitaria risiede sempre meno nella capacità di fornirle e sempre più nella capacità di metterle in discussione.
Il ruolo delle Società Scientifiche: dalla rappresentanza alla responsabilità attiva
Il ruolo delle Società Scientifiche è spesso interpretato in modo tradizionale: promozione della ricerca, organizzazione di conferenze, supporto alla comunità accademica. Tutte funzioni essenziali, ma oggi non più sufficienti.
Il contesto è cambiato. Le trasformazioni indotte dall’intelligenza artificiale, la ridefinizione del lavoro tecnico e la crescente distanza tra percezione pubblica e realtà scientifica richiedono un’evoluzione del loro ruolo.
In questa direzione, va ricordato che negli anni passati chi scrive si è impegnato attivamente affinché la Società Italiana di Elettronica avviasse una campagna di comunicazione strutturata verso stakeholder, famiglie e studenti – sia potenziali che già iscritti. L’obiettivo era semplice ma non scontato: rendere visibile il valore dell’ingegneria elettronica e chiarire, al di fuori dei contesti accademici, cosa significhi oggi formarsi in questo ambito.
A distanza di qualche anno, i risultati possono essere considerati positivi: maggiore consapevolezza nei percorsi di scelta, migliore allineamento tra aspettative e realtà formativa, e un rafforzamento dell’identità disciplinare.
Questo dimostra un punto fondamentale: le Società Scientifiche, quando agiscono in modo coordinato e con obiettivi chiari, possono incidere concretamente sull’ecosistema formativo e professionale.
Oggi, tuttavia, è necessario un ulteriore passo. Oltre la comunicazione: una funzione sistemica.
Se la fase precedente è stata quella della comunicazione e della visibilità, la fase attuale richiede una funzione più strutturata e continua.
In particolare, le Società Scientifiche possono assumere un ruolo su tre livelli:
- Interlocuzione tecnica con i decisori
Le decisioni su lavoro, formazione e innovazione tecnologica sono sempre più influenzate da strumenti complessi, ma non sempre supportate da competenze adeguate.
Le Società Scientifiche possono colmare questo divario offrendo:
- analisi tecniche indipendenti;
- contributi alla definizione di politiche industriali e formative;
- valutazioni sull’impatto reale delle tecnologie emergenti.
Non si tratta di entrare nel merito politico delle decisioni, ma di migliorarne la qualità tecnica.
- Definizione delle competenze nel tempo dell’AI
Uno dei problemi più evidenti è la difficoltà nel definire cosa sia oggi una competenza “solida”.
Nel contesto dell’intelligenza artificiale, dove strumenti potenti sono accessibili a tutti, il rischio è confondere:
- uso dello strumento con comprensione del metodo;
- produttività apparente con competenza reale.
Le Società Scientifiche possono contribuire a:
- definire standard di competenza aggiornati;
- distinguere tra formazione superficiale e formazione strutturata;
- supportare processi di certificazione basati su contenuti scientifici.
- Ponte tra università e industria
Il disallineamento tra formazione e mercato del lavoro non è nuovo, ma oggi assume forme più rapide e difficili da intercettare.
Le Società Scientifiche possono svolgere una funzione di raccordo:
- raccogliendo segnali deboli dal mondo industriale;
- trasferendoli al sistema universitario in forma strutturata;
- promuovendo iniziative comuni su formazione avanzata e reskilling.
Una responsabilità nuova. Il passaggio chiave è culturale.
Le Società Scientifiche non sono – e non devono diventare – soggetti politici o sindacali. Ma non possono neppure limitarsi a un ruolo osservativo.
In un contesto in cui le decisioni tecnologiche hanno impatti sempre più diretti su lavoro, formazione e coesione sociale, l’assenza di una voce tecnica autorevole diventa essa stessa un problema.
Per questo, la fase che si apre oggi richiede una responsabilità diversa: non solo rappresentare una comunità scientifica, ma contribuire attivamente alla costruzione del contesto in cui quella comunità opera.
Se la campagna di comunicazione ha dimostrato che è possibile incidere sul modo in cui l’ingegneria viene percepita, la sfida attuale è più ambiziosa: contribuire a definire il modo in cui verrà praticata.
Conclusione
Il caso di Marghera non anticipa la fine del lavoro tecnico, ma ne evidenzia una trasformazione già in atto. L’intelligenza artificiale non elimina la necessità di competenze: ne cambia la natura.
La domanda, per la comunità scientifica, non è se opporsi o adattarsi, ma come contribuire a definire le regole del cambiamento.
In un sistema sempre più guidato da algoritmi, la differenza non la farà chi produce più velocemente, ma chi comprende meglio. E questa resta, ancora, una responsabilità profondamente umana.
