Ci sono state persone che hanno fatto la storia influenzando il futuro e persone che, invece, la storia futura l’hanno immaginata. Rivedere oggi il video in cui Arthur Charles Clarke, il visionario scrittore di 2001: Odissea nello spazio, prevedeva già nel 1964 che nel 2001 in ogni casa vi sarebbe stato un pc e che esso sarebbe stato connesso in una rete globale – quella che sarà Internet – non può non impressionare. Prima di lui, lo psico-ingegnere Joseph Licklideraveva ipotizzato una rete globale informatica (che poi diventerà la madre di Internet, ossia Arpanet), ma, soprattutto, aveva previsto nel 1960 che «la simbiosi uomo-computer è un sottocampo della cooperazione uomo-macchina», anticipando di oltre sessant’anni i concetti che oggi troviamo nei modelli ibridi uomo-AI. La sua intuizione che «gli uomini fisseranno gli obiettivi, formuleranno le ipotesi, determineranno i criteri ed eseguiranno le valutazioni» mentre «le macchine da calcolo faranno il lavoro di routine per preparare il modo per insights e decisioni nel pensiero tecnico e scientifico» risuona fortemente con le definizioni contemporanee di competenze centauriche: quelle che, secondo Saghafian (2024), possiamo definire come “un modello ibrido uomo-algoritmo che combina l’analisi formale e l’intuizione umana in modo simbiotico”, sostenendo che «il futuro dello sviluppo e dell’uso dell’IA in molti settori dovrà concentrarsi maggiormente sui centauri».
Chi sono i centauri?
È una parola che dobbiamo al più grande scacchista della storia: Garri Kimovič Kasparov che, l’11 maggio 1997, si arrese davanti a uno dei primi sistemi di AI, Deep Blue. Secondo alcuni era solo forza bruta e capacità di calcolo, secondo altri aveva il germe dell’AI generativa. Comunque stiano le cose, dopo quella cocente sconfitta, Kasparov comprese, prima di chiunque, una verità rivoluzionaria: uomo batte uomo, macchina batte uomo, ma nessuna macchina può battere un uomo che usa una macchina. L’anno successivo organizzò il primo torneo di “scacchi centauro”: giocatori umani assistiti da computer. Partite di una bellezza tecnica mai vista, che lui stesso definì “la Formula 1 degli scacchi”. In un torneo di quelli che poi diventarono i Freestyle Chess, nel 2005 arrivò la conferma della sua teoria. La squadra di tre dilettanti, il team “Zacks”, sconfisse grandi maestri e supercomputer. Come era possibile? Non erano i migliori scacchisti, né avevano le macchine più potenti, ma sapevano orchestrare l’Intelligenza Artificiale meglio di chiunque altro. Kasparov osservò: «La loro abilità nel manipolare e addestrare i computer per esplorare posizioni complesse controbilanciò la comprensione superiore dei grandi maestri e la potenza di calcolo degli avversari». Era nata la “Legge di Kasparov”: umano debole più macchina più processo migliore batte umano forte più macchina più processo inferiore.
Da una fase di Interazione Umano-AI a una collaborazione
Ed eccoci ai nostri giorni. Ora che sappiamo che orchestrare risorse umane e non umane, processi e algoritmi è la competenza chiave, sappiamo come svilupparla, diffonderla e manutenerla? La letteratura presenta numerosi studi, sviluppati soprattutto dal 2021 a oggi. Da una prima analisi ne ho identificati circa 400. Liu e Shen (2025), nel loro studio “Consolidating Human-AI Collaboration Research in Organizations”, identificano tre fasi distinte.
- Fase della collaborazione uomo-macchina tradizionale (pre-2020): caratterizzata da modelli di automazione e supporto decisionale basici, questa fase si basa sui principi fondamentali della Human-Computer Interaction e sui sistemi di supporto alle decisioni.
- Fase dell’AI intelligente e automatizzata (2020-2021): emerge con sistemi più sofisticati con capacità di apprendimento avanzate, caratterizzata dall’integrazione di algoritmi di machine learning e deep learning nei processi decisionali.
- Fase dell’AI generativa (2022-presente): rappresentata dall’avvento di ChatGPT e modelli linguistici di grandi dimensioni, questa fase è caratterizzata da collaborazione con software che non è solo un mero strumento progettato per svolgere lavoro di conoscenza, ma diventa un partner collaborativo.
In altre parole, secondo Makarius, Mukherjee, Fox e Fox (2020), si passa da una fase di Interazione Umano-AI (Human-Machine Interaction, HMI) a una “Collaborazione” (Human-AI Collaboration, HAIC).
Fragiadakis, Diou, Kousiouris e Nikolaidou (2024) forniscono una sistematizzazione metodologica, definendo la Human-AI Collaboration (HAIC) come «una partnership cooperativa tra individui e sistemi AI per raggiungere obiettivi condivisi». Il loro framework identifica tre modalità fondamentali: AI-centrica (dove l’AI assume il controllo principale), umano-centrica (dove l’essere umano mantiene il controllo decisionale) e simbiotica (dove “uomo e AI lavorano come partner interdipendenti, con un’allocazione dinamica dei compiti e un’influenza reciproca”). La collaborazione uomo-IA (HAIC) rappresenta un cambiamento significativo in cui gli esseri umani e l’IA lavorano insieme in modo più integrato e reciprocamente vantaggioso. L’HAIC non si concentra solo sul dominio dell’uomo sulle macchine, ma sottolinea una partnership collaborativa in cui gli individui e i sistemi di IA contribuiscono attivamente al raggiungimento di risultati condivisi.
Il futuro della collaborazione tra esseri umani e IA come una partnership profondamente interconnessa
Fischer (2023) arriva a immaginare il futuro della collaborazione tra esseri umani e IA come una partnership profondamente interconnessa, in cui i sistemi di IA sono progettati non solo per assistere nelle attività, ma anche per promuovere interazioni emotive e sociali positive. Il suo lavoro esplora scenari in cui i “colleghi IA” sono in grado di comprendere e rispondere alle emozioni umane, con l’obiettivo di migliorare la collaborazione creando un senso di fiducia e soddisfazione reciproca. Questa prospettiva visionaria sottolinea la necessità di quadri di valutazione che affrontino non solo le prestazioni tecniche, ma anche le dimensioni sociali ed emotive delle interazioni tra esseri umani e IA. In questa logica, anche il concetto “centaurico” appare superato, in quanto non tiene conto della dimensione sociale, ma solo della relazione diadica Umano-AI, tralasciando la possibilità che l’AI e l’Umano siano un “teammate” (compagno di squadra) di un’organizzazione ibrida, in cui la competenza centrale diventa la capacità di “orchestrare” il contributo migliore da parte di tutti. Questo rappresenta un significativo superamento dei concetti attuali, come l’human-in-the-loop o l’Intelligenza Ibrida. Attualmente, purtroppo, la letteratura è ancora indietro rispetto a queste evoluzioni di paradigma e il focus sembra essere la AI Literacy, ossia la capacità di comprendere che cos’è l’Intelligenza Artificiale, come funziona, quali sono i suoi limiti e rischi, e come utilizzarla in modo critico e responsabile nella vita quotidiana, nel lavoro e nella società, oltre alle dimensioni che possono essere intese come predittori (positivi o negativi) all’uso dell’AI. Poco spazio è stato dedicato, per ora, alle competenze non solo d’uso (Literacy) ma di “orchestrazione” di team ibridi Uomo-AI.
Le competenze del futuro orchestratore
Da una rassegna della letteratura emergono diversi ambiti di competenza che delineano il profilo del nuovo professionista centaurico. Non si tratta più solo di saper usare l’AI, ma di sviluppare un’intera sinfonia di abilità che spaziano dal tecnico all’emotivo, dal cognitivo all’etico.
L’alfabetizzazione di base e l’arte del dialogo con l’AI
Il primo livello riguarda naturalmente l’AI Literacy fondamentale: comprendere cosa sia l’Intelligenza artificiale, come funzioni, quali siano i suoi limiti. Ma già a questo livello base emerge una competenza più sofisticata: il prompt engineering, l’arte di formulare istruzioni efficaci e strutturate per ottenere risultati ottimali dall’AI. È come imparare una nuova lingua, quella del dialogo efficace con le macchine intelligenti. Non basta più scrivere una domanda: bisogna saper pianificare interazioni complesse, adattare i prompt agli obiettivi specifici, valutare criticamente gli output generati.
Le competenze cognitive e metacognitive: pensare insieme
Il secondo livello è quello delle competenze cognitive e metacognitive, dove si entra nel cuore della collaborazione vera e propria. Qui troviamo il sense-making condiviso: la capacità di costruire e mantenere una rappresentazione comune di obiettivi, stato del progetto, ruoli e prossime azioni tra umano e AI. È come danzare: bisogna sentire il ritmo del partner, anticiparne i movimenti, adattarsi in tempo reale. Cruciale diventa la capacità di prendere decisioni sotto incertezza, sapendo quando delegare all’AI e quando mantenere il controllo umano. Questo richiede una sensibilità metacognitiva raffinata: saper stimare accuratamente non solo la propria incertezza, ma anche quella dell’AI, modulando la fiducia con metariflessione continua. È necessario sviluppare quella che potremmo chiamare “XAI literacy”: la capacità di interpretare le spiegazioni fornite dall’AI, valutandone la bontà, la sufficienza e i limiti, senza cadere nella trappola dell’eccessiva fiducia o, al contrario, dell’eccessivo scetticismo.
La dimensione sociale ed emotiva: lavorare con un collega non umano
Il terzo livello tocca aspetti sorprendentemente umani: le competenze sociali ed emotive necessarie per collaborare con un’entità non umana. Si tratta di sviluppare una comunicazione bidirezionale efficace, con capacità di coordinamento adattivo, turn-taking nella conversazione, negoziazione di ruoli e compiti. Particolarmente delicata è la gestione dell’antropomorfismo: dobbiamo essere consapevoli di quanto l’aspetto o la voce umanoide dell’AI influenzi la nostra tolleranza all’errore e le nostre aspettative. Quando l’AI sbaglia – e succederà – dobbiamo saper riparare la fiducia attraverso processi di disclosure trasparente, utilizzando appropriatamente segnali sociali senza dimenticare che stiamo interagendo con una macchina.
L’imperativo etico e la responsabilità distribuita
Il quarto livello è quello etico e di responsabilità, forse il più complesso. Non si tratta solo di identificare e mitigare i bias algoritmici a livello di dati, modello e deployment, ma di applicare principi di equità, trasparenza e accountability lungo tutto il ciclo di vita dell’AI. Questo richiede competenze di governance del rischio AI: orchestrare ruoli, processi, metriche e controlli per garantire un’AI affidabile e consapevole dei rischi. Le normative emergenti, come l’AI Act europeo, richiedono inoltre competenze di gestione del rischio regolatorio: istituire sistemi di gestione continua per i sistemi ad alto rischio, alfabetizzare tutti gli attori della catena del valore. Con l’AI generativa emergono rischi specifici – dalle allucinazioni ai contenuti dannosi, dalle violazioni di proprietà intellettuale ai problemi di privacy – che richiedono competenze dedicate di prevenzione e risposta.
L’orchestrazione: dirigere la sinfonia ibrida
Il livello più alto è quello dell’orchestrazione vera e propria. La leadership in ambienti AI-integrati significa guidare team ibridi gestendo il rischio, allineando la strategia, definendo ruoli e compiti, gestendo il cambiamento e misurando performance AI-enabled. È necessario saper coordinare più agenti AI specializzati, con un orchestratore che scompone i compiti complessi, assegna gli agenti appropriati, gestisce dipendenze e contesto, ottimizzando continuamente il flusso di lavoro. Cruciale diventa la progettazione dell’allocazione umano-AI: determinare il giusto livello di automazione per ogni caso d’uso, bilanciando efficienza e controllo umano. E infine, l’orchestrazione del feedback ibrido: saper allineare il feedback umano con quello generato dall’AI, scegliendo l’approccio più appropriato (human-led, adaptive, o AI-led) con valutazione continua di qualità, temporalità e personalizzazione.
Centauri, la sfida è ora
Torniamo a Kasparov e alla sua rivoluzionaria intuizione. Dopo la sconfitta contro Deep Blue, non si ritirò amareggiato proclamando la supremazia delle macchine. Al contrario, vide un’opportunità: quella di creare qualcosa di più grande della somma delle parti. I centauri degli scacchi non erano né i migliori umani né le migliori macchine, ma coloro che sapevano orchestrare meglio la collaborazione. Oggi, mentre l’AI generativa trasforma ogni settore, ci troviamo di fronte alla stessa scelta che ebbe Kasparov nel 1997: possiamo vedere l’AI come una minaccia che ci sostituirà, oppure come un partner con cui creare sinergie inedite. Ma questa volta la partita non si gioca su una scacchiera: si gioca nei nostri uffici, nelle nostre aziende, nelle nostre vite quotidiane. Le competenze che ho delineato non sono un elenco da spuntare, ma un ecosistema da coltivare. Sono il nuovo alfabeto di un mondo in cui la distinzione tra intelligenza umana e artificiale diventa sempre più sfumata. E come ogni alfabeto, richiede pratica, pazienza e soprattutto, la volontà di imparare.
La domanda non è più se diventeremo centauri – lo stiamo già diventando ogni volta che chiediamo qualcosa a ChatGPT o deleghiamo una decisione a un algoritmo. La vera domanda è: saremo centauri consapevoli e competenti, capaci di orchestrare questa simbiosi, o la subiremo passivamente? Come disse Licklider oltre sessant’anni fa, gli umani fisseranno gli obiettivi e le macchine prepareranno il terreno per le intuizioni. Ma oggi sappiamo che c’è di più: insieme, umani e macchine possono creare una forma di intelligenza che né gli uni né le altre potrebbero raggiungere da soli. Il futuro non appartiene all’Intelligenza Artificiale né a quella umana. Appartiene a chi saprà orchestrarle entrambe.
*Andrea Laudadio è a capo della Formazione e Sviluppo di TIM e dirige la TIM Academy.
Bibliografia
Clarke, A. C. (1964). BBC Horizon Interview [Video]. BBC Archives.
Fischer, G. (2023). Exploring the future of human-AI collaboration: Emotional and social dimensions. Journal of Human-Computer Studies, 171, 102-115.
Fragiadakis, D., Diou, C., Kousiouris, G., & Nikolaidou, M. (2024). A systematic framework for human-AI collaboration in organizations. Artificial Intelligence Review, 57(3), 1245-1278.
Kasparov, G. (1997). Deep Blue versus Garry Kasparov. IBM Research.
Kasparov, G. (2005). Chess, computers, and the future of human intelligence. Technology Review, 108(12), 45-52.
Licklider, J. C. R. (1960). Man-computer symbiosis. IRE Transactions on Human Factors in Electronics, HFE-1(1), 4-11.
Liu, X., & Shen, W. (2025). Consolidating human-AI collaboration research in organizations. Organization Science, 36(1), 89-112.
Makarius, E. E., Mukherjee, D., Fox, J. D., & Fox, A. K. (2020). Rising with the machines: A sociotechnical framework for bringing artificial intelligence into the organization. Journal of Business Research, 120, 262-273.
Saghafian, S. (2024). Human-algorithm hybrid decision-making: The case for centaur systems. Management Science, 70(4), 2341-2358.
