Kimi Antonelli, il talento e l’AI: quanto è pronta l’impresa?
Selezionare persone promettenti e introdurre l’intelligenza artificiale richiede di osservare capacità, condizioni di lavoro e risultati. Il percorso del pilota Mercedes offre una prospettiva concreta su una responsabilità che riguarda chi guida le aziende.
Kimi Antonelli è campione del mondo a vent’anni. Il terzo posto nel Gran Premio del Messico del 1° novembre 2026, vinto da Max Verstappen, lo ha reso il più giovane iridato nella storia della Formula 1. Tra le decisioni che hanno preceduto quel risultato, una offre a chi guida un’impresa una prospettiva particolarmente utile: la scelta di come affrontare una giornata conclusa contro le barriere, due anni prima.
Il 30 agosto 2024, a Monza, Kimi Antonelli conclude contro le barriere la sua prima sessione di prove libere in Formula 1. Per Mercedes le priorità sono le condizioni del giovane pilota e una macchina da riparare per George Russell. Nella conferenza stampa ufficiale FIA di quella giornata, Toto Wolff affronta anche la domanda destinata a pesare sul futuro: quell’errore influenzerà la scelta del pilota per l’anno successivo? La risposta è netta. Una sessione sbagliata non modifica il giudizio sulle capacità sulle quali la squadra sta investendo.
La decisione avviene quando l’esito del percorso è ancora aperto. Wolff dispone di informazioni e osservazioni che vanno oltre l’incidente appena visto dal pubblico. Deve attribuire a quell’episodio un peso, affrontarne le conseguenze e decidere se quanto è accaduto cambia le ragioni della scelta. È un problema riconoscibile anche lontano dai circuiti: riguarda il dirigente che assume una persona promettente, le assegna un incarico e deve interpretarne le prime difficoltà.
Riguarda anche chi introduce l’intelligenza artificiale in azienda. Una dimostrazione brillante può alimentare aspettative eccessive; una risposta sbagliata può indurre a chiudere una sperimentazione. In entrambi i casi, il giudizio resta fragile se trascura il compito, le informazioni disponibili, il modo in cui lo strumento viene utilizzato e le conseguenze del suo impiego. L’investimento comincia con una scelta, ma prende consistenza nelle decisioni successive.
La Teoria GDE, che ho sviluppato nell’ambito della mia ricerca indipendente, considera ogni osservazione in rapporto al contesto in cui avviene. Nella sua applicazione aziendale, questa prospettiva porta a collegare capacità delle persone, risorse, relazioni e decisioni organizzative. Per interpretare un risultato occorre dunque ricostruire chi lo osserva, con quali informazioni e attraverso quali condizioni è diventato possibile.
Il confronto richiede una distinzione chiara. Una persona ha aspirazioni, autonomia, esperienza e una propria storia; un sistema di AI è una tecnologia, il cui funzionamento dipende da modelli, dati e configurazioni. Le responsabilità verso le persone e quelle relative all’impiego della tecnologia hanno natura diversa. Il punto in cui i due percorsi si incontrano è l’organizzazione del lavoro. L’AI entra nelle condizioni attraverso le quali il talento umano può esprimersi e, nello stesso tempo, cambia ciò che l’impresa deve saper osservare per riconoscerlo.
Leggere una prestazione insieme alle sue condizioni
Nella ricostruzione pubblicata da Mercedes, Gwen Lagrue, responsabile dello sviluppo dei giovani piloti, ricorda Antonelli terzo, quarto o quinto contro avversari dotati di mezzi più competitivi. Il suo interesse nasce anche dalla capacità di interpretare quei piazzamenti alla luce delle condizioni nelle quali erano stati ottenuti. È la testimonianza retrospettiva della squadra che lo ha scelto: documenta un criterio di osservazione, senza fornire da sola una misura indipendente dell’efficacia dell’intero programma.
Per un’impresa, quel criterio ha una conseguenza precisa. Il risultato di un collaboratore contiene informazioni sulle sue capacità, ma anche sugli incarichi ricevuti, sull’accesso alle conoscenze, sugli strumenti e sulle persone con cui ha lavorato. Valutare il potenziale richiede di comprendere quanto di quel risultato sia trasferibile a condizioni differenti e quali elementi possano migliorare attraverso l’esperienza.
Si consideri un esempio aziendale: due giovani commerciali lavorano su portafogli clienti diversi. Uno dispone di relazioni consolidate, documentazione aggiornata e un responsabile disponibile; l’altro deve ricostruire informazioni sparse e gestire contatti meno maturi. Il fatturato rimane un dato essenziale. Per decidere chi possa assumere responsabilità maggiori servono però anche informazioni sulla qualità delle scelte, sulla comprensione del cliente e sui progressi compiuti.
L’introduzione dell’AI aggiunge un elemento alla stessa valutazione. Se uno dei due commerciali dispone di un assistente collegato a informazioni affidabili sui prodotti, il suo risultato incorpora anche quella possibilità. Il merito nell’uso dello strumento può essere rilevante: formulare bene il problema, riconoscere una risposta incompleta, scegliere che cosa verificare. Diventa però necessario capire quali competenze la persona abbia sviluppato e quali parti della prestazione dipendano dal supporto ricevuto.
Anche la selezione della tecnologia dovrebbe partire da questa attenzione alle condizioni. Una buona prestazione in una prova generale offre un’indicazione iniziale; l’impresa deve poi osservare il sistema nei propri compiti, con i propri documenti e con le persone che lo utilizzeranno. Una proposta commerciale plausibile può essere inutilizzabile se ignora un vincolo di consegna o una caratteristica del cliente. L’unità da valutare si allarga: comprende il sistema di AI inserito in un processo concreto.
Lo scouting di Antonelli suggerisce quindi una disciplina del giudizio. Prima di trasformare un piazzamento in una sentenza sulla persona, occorre comprenderne le condizioni. Quando l’AI modifica quelle condizioni, la selezione e lo sviluppo dei talenti diventano anche una questione di accesso agli strumenti e di capacità di usarli con criterio.
Dopo la scelta, il lavoro di preparazione
Mercedes colloca l’ingresso formale di Antonelli nel proprio Junior Programme nell’aprile 2019, quando aveva dodici anni. Seguono i risultati nel karting e nelle categorie formative, fino all’arrivo in Formula 1 nel 2025. La scelta iniziale si inserisce dunque in un percorso di anni, durante il quale il giovane accumula esperienze e la squadra raccoglie ulteriori elementi per valutarlo.
La distanza fra riconoscere una promessa e renderla capace di affrontare un incarico è il luogo in cui si misura l’impegno dell’organizzazione. In azienda, quel lavoro comprende occasioni di prova, affiancamento, confronto sugli errori e responsabilità progressivamente più ampie. Richiede tempo delle persone esperte e una decisione su chi debba dedicarlo. Una generica disponibilità a sostenere i giovani lascia irrisolta la parte operativa della crescita.
Per l’AI, l’equivalente organizzativo riguarda la preparazione all’impiego: individuare attività utili, rendere disponibili le informazioni necessarie, assegnare responsabilità sulle risposte e insegnare alle persone a riconoscere i limiti del sistema. Acquistare accessi può essere un passaggio del progetto. Il valore dipende da ciò che accade quando quegli accessi entrano nel lavoro quotidiano.
La questione assume una dimensione concreta anche in Italia. Nel 2025, secondo Istat, utilizzava almeno una tecnologia di AI il 15,7% delle imprese tra 10 e 249 addetti, contro il 53,1% di quelle con almeno 250 addetti. Eurostat rileva, nello stesso anno, una diffusione nell’Unione europea del 17% fra le piccole imprese, del 30,4% fra le medie e del 55% fra le grandi. Sono rilevazioni su imprese con almeno dieci addetti nei settori coperti dall’indagine; le microimprese restano escluse. Le percentuali riguardano diverse tecnologie di AI, non soltanto quella generativa, e descrivono l’utilizzo, senza misurarne i benefici economici.
Quella distanza invita a dimensionare il progetto sulle risorse dell’impresa. Se le informazioni decisive risiedono nella memoria di poche persone, preparare l’AI richiede anche di rendere accessibili e verificabili quelle conoscenze. Lo stesso lavoro può aiutare un giovane appena assunto a comprendere prodotti, clienti ed eccezioni operative. La preparazione della tecnologia e l’inserimento delle persone possono così condividere una parte dell’investimento organizzativo.
Una ricerca di Erik Brynjolfsson, Danielle Li e Lindsey Raymond, pubblicata nel 2025 sul Quarterly Journal of Economics, aiuta a rendere concreto l’intreccio. Nello studio su 5.172 addetti all’assistenza clienti, l’introduzione di un assistente generativo è associata a un aumento medio del 15% dei problemi risolti per ora. I benefici sono maggiori per i lavoratori meno esperti o con prestazioni iniziali più basse; per quelli più esperti gli effetti sulla produttività sono limitati, con piccoli peggioramenti in alcuni indicatori di qualità. Gli operatori possono accettare, modificare o ignorare i suggerimenti.
Il dato riguarda un contesto specifico. Per un dirigente, la sua utilità consiste soprattutto nel mostrare quanto sia incompleta una valutazione che chieda soltanto se l’AI aumenti la produttività media. Occorre capire per chi, in quali attività e con quali effetti sulla qualità. Un’impresa può trovare un impiego promettente nell’aiuto a chi sta imparando, mentre una persona esperta può aver bisogno di strumenti o modalità d’uso differenti.
Qui la valorizzazione dei talenti e l’introduzione dell’AI si incontrano direttamente. La conoscenza dei colleghi più preparati può contribuire a costruire un supporto utile per gli altri: esempi corretti, documenti comprensibili, criteri con cui distinguere una risposta accettabile da una soltanto plausibile. Il tempo necessario deve entrare nella pianificazione: chi prepara questi materiali e affianca un collega deve poterlo fare dentro il proprio carico di lavoro, con ore assegnate e priorità chiare.
Anche il percorso di chi apprende richiede attenzione. Ricevere un suggerimento corretto permette di concludere un’attività; comprendere perché sia corretto permette di affrontare il caso successivo con maggiore autonomia. L’azienda dovrebbe osservare entrambe le cose. La prestazione assistita e la competenza maturata sono risultati collegati, con tempi e criteri di valutazione differenti.
Dare all’errore un seguito concreto
In un’intervista al podcast Significant Figures di SAP, ripresa dal sito ufficiale della Formula 1 il 3 agosto 2026, Antonelli racconta le difficoltà della stagione d’esordio 2025. Descrive la pressione avvertita, la sensazione di deludere chi aveva creduto in lui, una riunione con il team che gli aveva consentito di ripartire e un recupero graduale. Ricorda anche quanto avesse dovuto imparare sulla gestione delle proprie energie. È il resoconto del pilota sulla sua esperienza; attribuire l’intero miglioramento a un singolo incontro andrebbe oltre quanto permette di concludere.
Il valore gestionale dell’episodio sta nella possibilità di esaminare che cosa succede dopo una difficoltà. Una persona può aver bisogno di un chiarimento sul ruolo, di un confronto tecnico, di una diversa distribuzione degli impegni o di ulteriore preparazione. Il responsabile deve capire quale intervento sia pertinente, osservandone poi gli effetti. La fiducia diventa concreta attraverso questo lavoro.
L’adozione dell’AI richiede una capacità analoga di distinguere le cause, pur riguardando meccanismi diversi. Di fronte a un risultato sbagliato, il problema può dipendere dalle informazioni utilizzate, dalla formulazione del compito, dalla configurazione del sistema oppure da un limite delle sue capacità. La correzione deve intervenire sul punto pertinente. Il miglioramento del servizio richiede di individuare gli interventi sul sistema o sul processo e di verificarne gli effetti.
Il National Institute of Standards and Technology (NIST) statunitense, nel profilo dedicato all’AI generativa del 2024, richiama il rischio di contenuti falsi presentati con sicurezza e propone di valutare le prestazioni in condizioni vicine a quelle d’impiego. È una guida volontaria per la gestione del rischio, utile a impostare prove e responsabilità. Per l’impresa significa poter ricostruire un errore, correggere il sistema o il processo e verificare se il problema si ripresenta.
Nell’Unione europea la preparazione delle persone ha anche un riferimento normativo. L’articolo 4 dell’AI Act, nel testo aggiornato nel luglio 2026, richiede a fornitori e organizzazioni che utilizzano sistemi di AI sotto la propria autorità di adottare misure per sostenere l’alfabetizzazione del personale e delle persone che li impiegano per loro conto. Le misure devono tenere conto delle conoscenze, dell’esperienza, del contesto d’uso e delle persone interessate. La norma precisa che non occorre garantire un livello specifico per ogni individuo. La formazione va quindi progettata in relazione al lavoro effettivo.
Anche i limiti entro cui sperimentare devono essere definiti. Una bozza interna, verificata prima dell’uso, e una risposta inviata automaticamente a un cliente producono conseguenze diverse. Nel percorso di un giovane collaboratore, l’affiancamento serve anche a graduare l’autonomia rispetto alle competenze e al possibile danno. Nell’impiego dell’AI, la stessa esigenza organizzativa richiede di stabilire quali attività siano consentite, quali risultati debbano essere controllati e chi possa intervenire.
Il sostegno ad Antonelli comprende del resto richieste di miglioramento. Già nel luglio precedente il pilota aveva riconosciuto errori evitabili sui limiti della pista, raccontando i richiami dell’ingegnere di pista e del padre e attribuendo parte dei progressi alla squadra, alla famiglia e alla vettura. La relazione fra sostegno e responsabilità diventa visibile: ci sono condizioni che aiutano a lavorare meglio e comportamenti sui quali la persona è chiamata a intervenire.
Per chi introduce l’AI, questo suggerisce una domanda operativa: dopo avere individuato un problema, quale cambiamento ci si aspetta nella prova successiva? La risposta può riguardare la formazione dell’utilizzatore, una fonte informativa da aggiornare, un passaggio da mantenere sotto controllo umano o un’attività da escludere. Il tempo dedicato alla sperimentazione acquista valore quando produce conoscenza utilizzabile nelle decisioni successive.
Misurare il lavoro fino al risultato utilizzabile
La velocità è una parte evidente della prestazione di un pilota. Il risultato sportivo richiede però di mantenerla dentro una gara, con vincoli, errori possibili e decisioni distribuite nel tempo. Nel lavoro aziendale, una distinzione simile riguarda la rapidità con cui l’AI produce una risposta e il tempo necessario per arrivare a un risultato corretto e utilizzabile.
Un esperimento di Fabrizio Dell’Acqua e colleghi, pubblicato nel 2023 e condotto con 758 consulenti di Boston Consulting Group, mostra quanto il compito possa cambiare l’esito. Nelle attività selezionate entro le capacità di GPT-4, i consulenti che usano l’AI completano i compiti il 25,1% più rapidamente e ottengono valutazioni di qualità superiori. In un problema scelto perché esterno a quelle capacità, l’uso dell’AI riduce invece di 19 punti percentuali la probabilità di arrivare alla soluzione corretta. Sono risultati riferiti a quei compiti e a quella versione della tecnologia.
La conseguenza per la gestione è rilevante. Un sistema può aiutare molto in una fase del lavoro e richiedere controlli impegnativi in un’altra. La valutazione dovrebbe seguire l’intero percorso: preparazione delle informazioni, produzione, verifica, correzione e impiego. Se il tempo risparmiato da una persona viene assorbito dal collega che deve ricostruire ogni passaggio, il beneficio va ricalcolato sul lavoro complessivo.
Anche la percezione degli utilizzatori merita di essere confrontata con misure effettive. In uno studio pubblicato nel luglio 2025 da Model Evaluation and Threat Research (METR), sedici sviluppatori esperti affrontano 246 attività su progetti open source che conoscono bene. Con gli strumenti di AI disponibili nella prima parte di quell’anno impiegano mediamente il 19% di tempo in più, pur ritenendo, dopo l’esperimento, di avere lavorato più velocemente. Il risultato descrive quel campione e quelle condizioni, senza stabilire un effetto generale dell’AI sulla programmazione.
Il seguito della ricerca rende la lezione più interessante. Nel febbraio 2026 METR riferisce che la maggiore riluttanza a lavorare senza AI e altri cambiamenti rendono più difficile ottenere una stima affidabile con il nuovo esperimento. I ricercatori ritengono plausibile che i benefici siano cresciuti, ma qualificano la debolezza delle nuove evidenze quantitative. Cambiano gli strumenti, cambiano gli utilizzatori e possono cambiare anche le condizioni con cui li si osserva.
Il modo in cui il dato viene prodotto e il contesto a cui può essere riferito entrano così nel giudizio, secondo la prospettiva già descritta. In azienda, una prova riuscita giustifica un passo successivo proporzionato alle evidenze disponibili. Quando cambiano il modello, i documenti, gli incarichi o le persone, può essere necessario verificare di nuovo le conclusioni più rilevanti.
Lo stesso criterio aiuta a valutare un talento umano nel tempo. Un risultato modesto durante l’inserimento e lo stesso risultato dopo una lunga fase di preparazione hanno significati differenti. Per interpretarli servono aspettative esplicite e informazioni sui progressi: che cosa la persona comprende meglio, quali errori riduce, quali decisioni riesce a prendere e quali difficoltà rimangono. Una valutazione capace di distinguere questi passaggi offre basi più solide anche per cambiare incarico o interrompere un progetto.
La competenza che l’impresa deve continuare a costruire
Il percorso di Antonelli mette in primo piano un elemento che la celebrazione del campione può lasciare sullo sfondo: qualcuno deve saper osservare, preparare, correggere e decidere. In un’impresa che introduce l’AI, queste capacità assumono un peso particolare. Per affidare un compito alla tecnologia occorre comprenderlo abbastanza da riconoscere le condizioni di un buon risultato.
Si apre quindi una questione per la formazione dei giovani. Se una parte delle attività iniziali viene affidata all’AI, l’azienda dovrebbe chiedersi dove le persone acquisiranno le conoscenze necessarie a controllarne il lavoro e ad affrontare i casi nuovi. Il percorso può prevedere occasioni in cui chi sta imparando debba motivare le proprie conclusioni, ricostruendo i passaggi decisivi.
Due pratiche possono rendere concreto questo lavoro. In una sessione di confronto, un giovane commerciale riceve una bozza prodotta dall’AI e cerca i vincoli omessi: una scadenza incompatibile con la produzione, un requisito del cliente ignorato, una caratteristica del prodotto descritta male. Il responsabile discute con lui le conseguenze e le informazioni necessarie a correggerla. In un secondo momento, su alcuni casi selezionati, il collaboratore annota brevemente quali suggerimenti ha modificato, su quali elementi si è basato e perché. Sono proposte formative da adattare all’attività: aiutano a rendere visibile il ragionamento, oltre alla qualità del documento finale.
Anche la valutazione dei collaboratori dovrebbe tenere conto del cambiamento. Un testo molto ben scritto o un’analisi presentata con chiarezza possono incorporare un contributo significativo dell’AI. Per riconoscere il talento diventano rilevanti la qualità delle domande, la capacità di individuare informazioni mancanti, il giudizio sulle alternative e la disponibilità a correggere una conclusione. L’uso dello strumento va osservato insieme alla comprensione del lavoro svolto.
Questa impostazione modifica anche i criteri con cui riconoscere il contributo degli esperti e valutare i responsabili. Accanto alla produzione individuale, un’impresa può considerare la capacità di rendere autonomi i colleghi, chiarire i criteri di qualità e trasformare errori ricorrenti in conoscenza condivisa. Questi contributi dovrebbero entrare nelle conversazioni sulla carriera e sull’assunzione di responsabilità maggiori. Il dirigente che sviluppa persone capaci di usare e valutare l’AI costruisce una competenza che rimane nell’organizzazione, anche quando cambiano gli strumenti.
C’è infine una responsabilità della direzione verso le condizioni che essa stessa promette. Un manager dovrebbe poter ricostruire quali opportunità di apprendimento siano state effettivamente offerte a una persona e quali risorse siano state assegnate a un progetto di AI. Un affiancamento annunciato ma mai disponibile e un sistema introdotto su documenti incompleti sono elementi del giudizio sul risultato. Prenderli in considerazione permette di attribuire le responsabilità con maggiore precisione.
Tornare alla decisione, prima di conoscere il finale
Sul podio del Messico, dopo avere conquistato il mondiale, Antonelli riconosce il contributo di Mercedes e della famiglia. Il successo rende visibili il pilota e le relazioni che hanno accompagnato il suo percorso.
Quell’esito lascia aperta la domanda sulla qualità delle decisioni che lo hanno preceduto. Il successo di una persona non dimostra che ogni investimento simile avrebbe lo stesso risultato. Per giudicare un programma nel suo insieme servirebbero anche i percorsi che si sono fermati, le alternative disponibili e le risorse impiegate. La vicenda di Antonelli offre episodi concreti per ragionare; la sua forza aziendale sta nel rendere visibile un lavoro che precede la celebrazione.
Per questo la scena di Monza del 2024 conserva il suo valore. La squadra deve decidere come leggere un errore, quali conseguenze affrontare e quali ragioni mantenere a sostegno del percorso. Nelle aziende, la stessa disciplina del giudizio serve quando un giovane incontra una difficoltà e quando una sperimentazione con l’AI produce risultati contrastanti. Continuare, correggere o fermarsi richiede evidenze riferite al lavoro reale e responsabilità riconoscibili.
Il talento umano e l’intelligenza artificiale si incontrano qui, nelle decisioni con cui l’impresa organizza le possibilità di apprendere e di produrre valore. Le persone contribuiscono a rendere utile la tecnologia; la tecnologia modifica gli strumenti con cui le persone lavorano e vengono valutate. Chi dirige deve seguire entrambe le trasformazioni.
Prima di interrompere un percorso di inserimento o un progetto di AI, il vertice dovrebbe ricostruire tre elementi. Il compito affidato e il risultato atteso. Le condizioni effettivamente predisposte, dal tempo alle informazioni, dagli strumenti all’affiancamento. Ciò che le prove hanno insegnato e i cambiamenti ancora possibili. Su questa base si può decidere se proseguire, correggere o fermarsi.
La storia di Antonelli porta questa responsabilità dentro una vicenda concreta: qualcuno ha riconosciuto capacità, qualcuno ha costruito opportunità, qualcuno ha continuato a chiedere miglioramenti. Per un’azienda, il lavoro comincia quando riesce a dare nomi, tempo e risorse a quelle responsabilità.
Commenti