Problem Solving nell’Era dell’Intelligenza Artificiale: perché il vero vantaggio competitivo nasce dove finisce l’AI

Fino a pochi anni fa, il mercato del lavoro premiava in modo sproporzionato l’esecutore perfetto. Studiavi una procedura, acquisivi una specializzazione tecnica, accumulavi nozioni e il tuo valore era garantito. Oggi, quello stesso bagaglio di certezze rischia di scadere più in fretta di un prodotto da banco. I software e i modelli generativi scrivono testi, compilano codice, analizzano database e producono report a una velocità inarrivabile per chiunque.

Cosa resta, quindi, al professionista in carne ed ossa? Resta il disordine. Resta l’incertezza dei dati che non quadrano, delle strategie che falliscono all’improvviso, dei clienti che cambiano comportamento senza preavviso.

In questo spazio caotico si gioca la vera partita.

Non vince chi possiede l’enciclopedia più vasta in testa, ma chi sa guardare una situazione confusa, isolare la causa reale e costruire una via d’uscita concreta. Questa capacità, profondamente umana e sempre più strategica, ha un nome preciso: problem solving.

Non si tratta semplicemente di “trovare una soluzione”, ma di saper formulare la domanda corretta prima che le macchine calcolino la risposta.

Dal sapere al saper affrontare l’incertezza

Il mercato contemporaneo è caratterizzato da una complessità brutale. Le aziende operano in ambienti dove le tecnologie mutano in mesi, la mole di dati aumenta (spesso aggiungendo solo rumore alle decisioni) e i modelli di business vengono costantemente messi sotto pressione da nuovi competitor.

In un simile ecosistema, la conoscenza puramente tecnica è vitale ma transitoria. Puoi conoscere a fondo un processo aziendale oggi e trovarti domani davanti a un ostacolo totalmente inedito. La vera metrica del successo non è più quanto sai, ma come reagisci e come elabori ciò che non sai.

Che cos’è realmente il problem solving?

Spesso il termine viene banalizzato, usato come sinonimo di “sapersela cavare”. Il problem solving professionale, al contrario, è un framework rigoroso e strutturato.

Si sviluppa in fasi ben precise:

1. Definire correttamente il problema

Molti disastri aziendali nascono dalla fretta di applicare una soluzione a un problema non compreso. Un problema mal inquadrato produce inevitabilmente azioni inefficaci. Prendiamo un’affermazione comune: “Le vendite stanno diminuendo”. Questa frase descrive un sintomo, non il vero ostacolo. Il professionista analitico non si ferma alla superficie, ma interroga il dato: Quali specifiche coorti di prodotto stanno perdendo trazione? Il calo riguarda i nuovi lead o il tasso di retention dei clienti storici? È un difetto di posizionamento o un crollo della qualità percepita? Il problem solver mette in discussione la prima formulazione della crisi.

2. Analizzare le cause profonde

Il principio fondante è la distinzione tra cause apparenti e cause reali. Se un sistema informatico è lento, la risposta impulsiva è “acquistiamo server più potenti”. Ma un’analisi spietata potrebbe rivelare query SQL non ottimizzate, colli di bottiglia nel database o un’architettura ridondante. Aumentare l’hardware maschera il sintomo temporaneamente; non elimina la malattia.

Le radici scientifiche del problem solving

Il problem solving è oggetto di studio da oltre mezzo secolo nelle scienze cognitive, nella psicologia e nelle scienze dell’organizzazione. Già negli anni Cinquanta, Herbert A. Simon, premio Nobel per l’Economia, dimostrò che i decisori non operano in condizioni di razionalità perfetta, ma utilizzano strategie euristiche per affrontare problemi complessi e informazioni incomplete.

In altre parole, quando il tempo e le informazioni sono limitati, le persone cercano soluzioni “sufficientemente buone” (satisficing) invece della soluzione teoricamente ottimale.

Da questa intuizione nacque il concetto di bounded rationality (razionalità limitata), ancora oggi fondamentale per comprendere come prendiamo decisioni nel mondo reale.

Il cervello cerca scorciatoie

Le ricerche di Daniel Kahneman, premio Nobel per l’Economia, hanno mostrato che il cervello umano tende a scegliere rapidamente spiegazioni plausibili anche quando sono errate. Nel suo celebre modello dei due sistemi di pensiero, il Sistema 1 produce risposte intuitive e veloci, mentre il Sistema 2 richiede uno sforzo cognitivo maggiore per analizzare criticamente il problema. Il problem solving efficace consiste proprio nell’attivare deliberatamente questo secondo livello di ragionamento quando la situazione è ambigua o ad alto rischio.

Il miraggio del limite di mercato

Questo è un tipico esempio di come un algoritmo possa produrre una risposta matematicamente coerente ma strategicamente sbagliata:

Immaginiamo di dover pianificare una campagna aziendale basata su un modello predittivo per stimare le vendite. Il modello matematico sembra fantastico e il codice gira senza errori. Tuttavia, di fronte a un set di dati reali che storicamente mostra picchi di vendita a quota 100, il nuovo modello fissa ostinatamente come tetto massimo teorico un valore di 70. L’esecutore classico potrebbe accettare ciecamente l’output perché “lo dice l’algoritmo”, convincendosi che il mercato sia saturo. Il vero problem solver, invece, individua immediatamente un massiccio problema di underfitting. Sa che se il modello prevede un massimo di 70 quando la realtà dimostra 100, il modello è semplicemente pessimo. Non si tratta di un improvviso limite del target commerciale, ma di un algoritmo inadeguato. La soluzione non è abbassare gli obiettivi di marketing, ma correggere le assunzioni statistiche alla base della regressione.

Problem solving e pensiero critico: competenze inseparabili

Nel mondo dell’intelligenza artificiale, la connessione tra risoluzione dei problemi e pensiero critico è l’ultimo baluardo del lavoro intellettuale. Gli strumenti generativi producono risposte suadenti e ben impaginate, ma non necessariamente aderenti alla realtà logica o matematica dei fatti.

La competenza non è più generare l’informazione, ma validarla. Significa testare la solidità delle fonti, l’assenza di allucinazioni nei dati, la presenza di ipotesi fallaci e i limiti strutturali della soluzione fornita. Il professionista del futuro non cercherà di battere l’AI in velocità; sarà il direttore d’orchestra che la orienta verso l’obiettivo corretto, chiedendosi continuamente: “Sto risolvendo il problema giusto, con i parametri giusti?”.

L’esperienza non segue sempre regole esplicite

Se Kahneman ci mostra quanto l’intuizione possa essere ingannevole, Gary Klein evidenzia invece quando essa diventa una risorsa preziosa: nei contesti in cui l’esperienza permette di riconoscere rapidamente schemi già osservati:

Lo psicologo Gary Klein ha, infatti, osservato come esperti quali vigili del fuoco, piloti e medici prendano decisioni estremamente efficaci senza confrontare sistematicamente tutte le alternative. Attraverso il modello del Recognition-Primed Decision, Klein ha mostrato che l’esperienza permette di riconoscere rapidamente configurazioni già incontrate, purché il contesto sia familiare. Quando invece il problema è nuovo o altamente incerto, anche l’intuizione deve essere verificata mediante analisi critica.

Problemi chiusi e problemi aperti: il vero confine dell’Intelligenza Artificiale

Sarebbe ingenuo pensare che le macchine non sappiano risolvere problemi. In molti ambiti, l’Intelligenza Artificiale ha già superato le capacità umane. Tuttavia, questo avviene soprattutto quando il problema appartiene a una categoria ben precisa: quella dei problemi chiusi.

Un problema chiuso è una situazione in cui regole, variabili e obiettivi sono definiti in modo esplicito. Esiste una funzione obiettivo matematica, ad esempio minimizzare un costo, ridurre un tempo di percorrenza o massimizzare un punteggio, che permette di confrontare in modo oggettivo tutte le possibili soluzioni. In questi contesti l’AI eccelle, perché può esplorare milioni di combinazioni e individuare rapidamente quella ottimale.

È il caso dei sistemi di routing come Google Maps, che ricalcolano continuamente il percorso migliore sulla base delle condizioni del traffico, degli algoritmi di scheduling che ottimizzano la logistica di grandi aziende, oppure di sistemi come AlphaFold, che hanno rivoluzionato la previsione della struttura tridimensionale delle proteine. Anche giochi come gli scacchi e il Go, pur caratterizzati da una complessità enorme, rimangono problemi chiusi: le regole sono immutabili e l’obiettivo è perfettamente definito.

I problemi aperti sono invece di natura completamente diversa. Le regole possono cambiare durante il processo decisionale, le informazioni sono incomplete, gli obiettivi spesso sono in conflitto tra loro e non esiste una funzione matematica capace di descrivere perfettamente il successo.

Lanciare un nuovo prodotto, decidere una strategia aziendale, affrontare una crisi reputazionale, negoziare un contratto o interpretare un improvviso cambiamento del mercato sono tutti esempi di problemi aperti. In queste situazioni non esiste una soluzione ottima in senso assoluto: esistono soltanto compromessi, valutazioni probabilistiche e decisioni che devono tenere conto di fattori economici, psicologici, sociali ed etici.

La differenza fondamentale non riguarda quindi l’intelligenza dell’algoritmo, ma la natura del problema. Più il contesto è stabile, misurabile e formalizzabile, maggiore sarà il vantaggio dell’AI. Più aumenta l’incertezza, l’ambiguità e l’interazione tra fattori umani, maggiore diventa il valore del giudizio professionale.

L’errore più frequente nelle organizzazioni consiste nel trattare un problema aperto come se fosse un problema chiuso, affidandosi ciecamente all’output di un algoritmo. L’AI può ottimizzare perfettamente una funzione obiettivo, ma non può stabilire quale sia la funzione obiettivo corretta quando gli interessi degli stakeholder sono in conflitto o quando il problema stesso è stato formulato in modo errato.

Per questo motivo il professionista del futuro non sarà colui che compete con l’AI nel calcolo, ma chi saprà definire il problema, stabilire i vincoli, interpretare il contesto e utilizzare l’Intelligenza Artificiale come uno strumento per risolvere i numerosi problemi chiusi contenuti all’interno di una decisione strategica molto più ampia.

Il problem solving nell’era dell’intelligenza artificiale

Se il tuo lavoro consiste prevalentemente nel risolvere problemi chiusi e ripetitivi, una quota crescente delle tue attività potrà essere automatizzata. Se invece operi nel dominio dei problemi aperti, dove le regole sono ambigue, le informazioni parziali, gli obiettivi umani conflittuali e la funzione obiettivo è impossibile da codificare matematicamente, sei tu a dover guidare il gioco.

L’arrivo dell’AI generativa eleva il problem solving umano a competenza direzionale.

Un LLM può scrivere script, ottimizzare testi o simulare scenari, ma la tua competenza non è più fare da dattilografo. Quando usi un’AI per generare uno script in Python per manipolare un dataset, la tua vera abilità non è conoscere a memoria la sintassi di Pandas. La tua competenza è accorgerti che il raggruppamento proposto dal modello sta mascherando degli outlier fondamentali. Se l’AI suggerisce di sostituire i valori mancanti con una media generale, devi essere tu a prescrivere un’imputazione stratificata perché conosci le logiche del mercato. L’AI esegue il calcolo chiuso; l’essere umano definisce i vincoli del problema aperto.

I dati parlano chiaro: le aziende cercano architetti di soluzioni

L’enfasi su queste abilità non è pura speculazione teorica. Secondo il Future of Jobs Report 2025 del World Economic Forum, l’Analytical Thinking rappresenta oggi la competenza più richiesta dalle aziende a livello globale, seguita da Resilience, Flexibility and Agility e Leadership. Il dato conferma una trasformazione profonda: è relativamente semplice formare una persona all’uso di un nuovo software, molto più difficile svilupparne la capacità di affrontare problemi nuovi, incerti e multidimensionali.

Anche Richard Thaler, fondatore dell’economia comportamentale moderna e premio Nobel, ha dimostrato come il contesto influenzi profondamente le decisioni umane. Le persone non scelgono sempre l’opzione razionale, ma quella percepita come più semplice o familiare. Per questo motivo, progettare sistemi decisionali efficaci significa comprendere il comportamento umano tanto quanto sviluppare algoritmi accurati.

I diversi livelli del problem solving

Mappare la complessità: Il Framework Cynefin

Non tutte le sfide manageriali e aziendali sono uguali. Per mappare questa differenza e capire quando usare un algoritmo rispetto al giudizio umano, il punto di riferimento assoluto è il Framework Cynefin (creato da Dave Snowden). Questo modello classifica i contesti operativi in quattro domini fondamentali:

• Dominio Semplice/Ovvio (Problemi Chiusi): Il rapporto causa-effetto è evidente e documentato. Esistono best practice assolute (es. configurare un server standard). Qui la strategia è “Percepisci, Categorizza, Rispondi”. È il regno dell’automazione e dell’esecuzione meccanica.

• Dominio Complicato (Problemi Chiusi/Analitici): Ci sono molte variabili, ma il sistema è dominabile. Serve l’intervento di esperti o algoritmi avanzati (es. ottimizzare una query complessa o una pipeline logistica). La strategia è “Percepisci, Analizza, Rispondi”.

• Dominio Complesso (Problemi Aperti): Le variabili interagiscono in modo caotico. Il rapporto causa-effetto si comprende solo a posteriori (es. lanciare un prodotto in un mercato inedito). Non ci sono certezze, solo probabilità. La strategia è “Esplora, Comprendi, Rispondi”. Questo è il dominio esclusivo del vero problem solver umano, dove servono emergent practices create sul momento.

• Dominio Caotico (Problemi Aperti ed Emergenziali): Non c’è alcun rapporto di causa-effetto identificabile (es. una violazione di sicurezza o una crisi reputazionale esplosiva). La strategia è “Agisci, Comprendi, Rispondi”. Richiede triage immediato per stabilizzare la situazione.

Come sviluppare il problem solving avanzato

Usciamo dai cliché: non basta “fare pratica”. Per allenare questa competenza a livelli professionali serve forzare il proprio cervello fuori dai binari del ragionamento lineare.

• Sostituire il determinismo con il pensiero probabilistico: Non limitarti a leggere i dati passati. Costruisci simulazioni Monte Carlo (anche con script di base) per stressare i tuoi modelli decisionali o le tue strategie di pricing. Imparare a valutare uno scenario in termini di probabilità, e non di certezze, cambia radicalmente la qualità delle decisioni.

• Sottoporre a diagnosi le “scatole nere”: Prendi dataset reali pieni di “rumore” o di missing values (valori mancanti). Invece di pulirli frettolosamente eliminando le righe vuote, forzati a ragionare diagnostico: perché quel dato manca? È un errore di estrazione, un server andato in timeout, o un segmento di clienti che rifiuta di rispondere? Analizzare ciò che non si vede è l’essenza del problem solving.

• Smontare i modelli con i “5 Perché”: Se un indicatore fallisce, non fermarti alla prima giustificazione. Usa un approccio strutturato: spingi la domanda indietro (“Perché?”) per cinque volte consecutive. Spesso scoprirai che un problema tecnico di basso livello è in realtà un difetto sistemico di architettura o un bias nella raccolta originaria dei dati.

Il valore umano

L’AI può generare milioni di risposte in pochi secondi. Ma nessun algoritmo decide autonomamente quale domanda meriti davvero di essere posta. È in questa scelta iniziale che si concentra il nuovo vantaggio competitivo umano: non nell’essere più veloci della macchina, ma nel darle la direzione giusta.

La tua Checklist Operativa

Prima di considerare conclusa l’analisi di una sfida, verifica di aver superato questi passaggi critici:

• [ ] Ho messo in discussione e riformulato il problema iniziale almeno una volta?

• [ ] Ho separato il sintomo superficiale dalla causa profonda (es. usando i “5 Perché”)?

• [ ] Ho classificato oggettivamente il livello di complessità in cui sto operando?

• [ ] Ho analizzato l’assenza di dati (missing values) e ciò che non è immediatamente visibile?

• [ ] Ho validato matematicamente o logicamente la soluzione generata dall’Intelligenza Artificiale utilizzando casi limite o dati reali?

Riferimenti

• Simon H.A. (1957). Models of Man.
• Simon H.A. (1969). The Sciences of the Artificial.
• Kahneman D. (2011). Thinking, Fast and Slow.
• Klein G. (1998). Sources of Power.
• Thaler R., Sunstein C. (2008). Nudge.
• Snowden D.J., Boone M.E. (2007). A Leader’s Framework for Decision Making. Harvard Business Review.
• World Economic Forum (2025). Future of Jobs Report.