Consigli di carriera per i giovani nell’era dell’IA: cosa conta ancora quando gli agenti sanno programmare

Introduzione

Nell’era dell’IA, i giovani si trovano davanti a una domanda professionale diversa da quella delle generazioni precedenti: se i modelli possono risolvere molti compiti ben definiti, quali tipi di lavoro avranno ancora valore?

Questo articolo si basa su un post condiviso da Phil Chen, ex ricercatore di OpenAI, DeepMind e Scale AI. Il suo punto è diretto: i modelli di IA stanno diventando estremamente bravi nei compiti che possono essere specificati con chiarezza, valutati e ottimizzati. Gran parte della formazione scolastica assomiglia esattamente a questo: un problema definito, una risposta nota e una regola di valutazione.

Quindi il lavoro di valore del prossimo decennio potrebbe non essere quello che assomiglia di più ai compiti scolastici. Spesso sarà invece il lavoro che è difficile da valutare all’interno di un ciclo di addestramento del modello: scegliere il problema giusto, costruire relazioni, sviluppare giudizio, arrivare fino all’ultimo miglio e imparare a trasformare le opportunità in risultati concreti.

Di seguito è riportata la versione inglese riscritta, che mantiene la struttura originale e le idee principali rendendo al tempo stesso il linguaggio più scorrevole per la pubblicazione su un blog.

Nota sulla fonte

• Fonte originale: articolo di BAAI Hub, che indica che il contenuto proveniva originariamente da WeChat.
• L’articolo è stato curato da 夏千斯.
• La pagina originale include un banner decorativo “follow academic headlines” e immagini finali di piattaforma/promozionali. Questi elementi non sono stati inclusi perché non sono necessari per comprendere l’articolo.
• Durante la verifica, un link a un’immagine finale nella pagina originale non si caricava e sembrava trovarsi al di fuori del corpo principale dell’articolo, quindi non è stato inserito.
• Nell’articolo originale non erano presenti blocchi di codice né tabelle tecniche.

Articolo principale

I modelli di IA continuano a migliorare in tutto ciò che può essere espresso come una funzione di perdita. Molti compiti scolastici sono simili nello spirito: il problema è ben definito, la risposta è nota e il risultato può essere valutato.

Per questo motivo, il lavoro di maggior valore nel prossimo decennio sarà probabilmente quello che non può essere facilmente valutato all’interno di un ciclo di addestramento del modello.

Negli ultimi sei anni, Phil Chen ha lavorato con persone in fasi aziendali molto diverse tra loro: la sua startup, Helm AI, Scale AI, OpenAI e Google. Questi contesti andavano da piccoli team a grandi organizzazioni con oltre 100.000 dipendenti.

Come fondatore che sta costruendo un’azienda nativa per gli agenti, ha dedicato molto tempo a riflettere su quale tipo di persone serva oggi a un’azienda e quale tipo di talento le servirà in futuro. Un’azienda costruita attorno agli agenti non assume esattamente nello stesso modo di un’azienda in cui la maggior parte dell’output dipende ancora da esseri umani che scrivono tutto manualmente.

Per le persone ambiziose all’inizio della carriera, questo cambia i consigli pratici. Alcune idee classiche restano valide. La vecchia espressione delle startup “when you join a rocket ship, do

non preoccuparsi troppo del posto esatto” conserva ancora una sua verità. Ma con l’ascesa della programmazione agentica, i dettagli sono cambiati.

1. Concentrati sulle risorse che sono davvero scarse

Prima di entrare in Scale, Phil aveva ricevuto un’offerta con una componente in denaro più alta per un ruolo nel trading quantitativo. Scelse invece Scale perché era più entusiasta delle persone che c’erano, della comunità attorno all’azienda e della possibilità di vedere molti prodotti diversi e applicazioni reali dell’IA.

Quella scelta si rivelò vantaggiosa in modi che all’epoca non erano affatto evidenti. Attraverso Scale, entrò in contatto con fornitori di inferenza per LLM, cosa che in seguito contribuì a indirizzarlo verso DeepMind e OpenAI. Incontrò anche colleghi ambiziosi che in seguito divennero parte di una più ampia rete di fondatori nata da Scale.

Guardando indietro, le relazioni e le opportunità di apprendimento si sono rivelate più preziose di quanto lo sarebbe stato il denaro extra.

Il capitale è più accessibile che mai. Ma il tempo trascorso con persone eccellenti è ancora scarso. Lo sono anche relazioni solide, fiducia e reputazione.

L’eccellenza dimostrata in passato in lavori pertinenti resta uno dei segnali più forti. Il consiglio pratico è semplice: fai un buon lavoro e assicurati che altre persone eccellenti e affidabili possano vederlo.

Sii molto intenzionale nel modo in cui distribuisci il tuo tempo. Progetti scolastici, progetti personali, stage e primi lavori non dovrebbero essere semplicemente spuntati come voci del curriculum. Dovrebbero essere orientati verso problemi che contano per te.

Con il vibe coding e lo sviluppo assistito dall’IA, è più facile che mai lanciare piccoli progetti e inseguire opportunità di breve periodo. Alcune di queste opportunità possono far guadagnare rapidamente. Ma se l’obiettivo è creare valore duraturo, di solito è meglio investire tempo dove apprendimento, relazioni e reputazione si accumulano nel tempo.

Tempo, relazioni e reputazione sono le risorse davvero scarse. Trattale di conseguenza.

2. Impara a trovare i problemi, non solo a risolverli

Un’azienda che lavora in modo nativo con gli agenti deve ripensare cosa significhi davvero avere capacità ingegneristiche.

Quando il codice non viene più scritto principalmente riga per riga a mano, i segnali tradizionali diventano più deboli. Gli esercizi in stile LeetCode e perfino molte domande standard di system design non mostrano sempre come una persona si comporterà nell’ambiente reale.

La domanda più importante diventa quindi: questa persona riesce a capire rapidamente il contesto, a individuare ciò che vale davvero la pena correggere e a risolvere il problema entro vincoli reali?

In futuro, le competenze più importanti saranno legate alla selezione dei problemi e all’allocazione delle risorse.

Gli agenti sono già molto forti nel gestire problemi complessi chiaramente definiti. Le persone con il maggiore impatto saranno quelle capaci di identificare problemi importanti e poi allocare tempo, attenzione, token, capacità di calcolo e persone per risolverli.

Molti studenti si sentono scoraggiati quando un agente riesce a risolvere i loro compiti. Ma tra i candidati validi ci sono ancora grandi differenze nel livello di efficienza con cui arrivano a una buona soluzione. Le persone migliori di solito portano nell’interazione con l’agente intuizione di alto livello, conoscenza del dominio e contesto.

In pratica, i candidati che danno i segnali più forti sono spesso profondamente immersi in ambienti reali di risoluzione dei problemi. A volte questo deriva da progetti personali seri. A volte deriva da aziende in rapida crescita dove ci sono

sono problemi di gran lunga più importanti delle persone disponibili a risolverli.

3. Scegli i problemi su cui vale di più la pena lavorare

Uno dei modelli mentali più utili nella ricerca sull’IA è “The Bitter Lesson”. L’idea centrale è che, nel lungo periodo, i metodi generali che scalano con la potenza di calcolo tendono a prevalere sugli approcci progettati a mano e specifici per un singolo compito.

Questa lezione si applica anche alle carriere e alla scelta dell’azienda.

I risultati delle aziende e quelli delle carriere hanno sempre seguito distribuzioni a legge di potenza. L’IA fa sì che queste dinamiche arrivino più in fretta, perché sviluppare software è diventato molto più facile. Oggi molte persone possono costruire rapidamente sistemi semplici. Questo significa che il valore duraturo deriverà meno dal semplice fatto di costruire qualcosa e più da una concentrazione intensa su problemi davvero ambiziosi.

Quando scegli un’azienda, la domanda non è soltanto se l’azienda sembri entusiasmante in questo momento. Chiediti se sta lavorando su un problema abbastanza grande da contare davvero e se ha un percorso concreto per risolverlo.

Quando scegli un ruolo, chiediti se quel ruolo ti porta vicino alla frontiera del problema che l’azienda sta cercando di risolvere.

Un buon ruolo dovrebbe darti vicinanza alle decisioni importanti, ai compromessi e ai vincoli. È lì che l’apprendimento si accumula nel tempo.

4. Scatta nell’ultimo miglio

Per le startup, Alfred Lin ha scritto del 10% finale: quell’ultimo 10% può rappresentare il 90% del lavoro, ma anche il 90% della ricompensa.

L’IA sta rendendo la qualità dell’output più polarizzata. Il lavoro medio sta diventando più facile da produrre, perché un agente più un prompt approssimativo possono già generare qualcosa di utilizzabile. Questo significa che la vera differenziazione deriva da gusto distintivo, comprensione profonda di un problema e seria attenzione ai dettagli.

È nell’ultimo miglio che questa differenza si manifesta.

Curare gli ultimi dettagli richiede pratica. Niente è perfetto al primo tentativo, quindi l’ultimo miglio di solito significa iterazione: rifinire, testare, ricostruire, semplificare e migliorare.

Poiché gli agenti di coding stanno migliorando rapidamente, il percorso migliore non è sempre continuare a correggere all’infinito la stessa versione. A volte è meglio assimilare le lezioni di un’iterazione e poi ripartire da zero con un modello più nuovo o un’architettura più pulita.

Puoi esercitarti in questo attraverso i tuoi progetti personali. Dedica più tempo a migliorare l’architettura. Pensa alla scalabilità. Aggiungi creatività invece di fermarti a “funziona”. I piccoli progetti diventano molto più preziosi quando dimostrano giudizio e capacità di portare a termine il lavoro, non solo velocità.

5. Migliora sia l’xG sia l’efficienza di conversione

Nel calcio, xG significa expected goals, cioè gol attesi. Stima quanti gol una squadra dovrebbe segnare in base alla qualità delle occasioni create, usando fattori come distanza, angolo e posizione del portiere.

È un’analogia utile per la carriera.

Alcune mosse di carriera aumentano il tuo xG: ti mettono in una posizione in cui è più probabile che si presentino grandi opportunità. Ma la qualità delle opportunità è solo metà dell’equazione. Ti serve anche efficienza di conversione, cioè la capacità di trasformare quelle opportunità in risultati concreti.

Phil ha raccontato che nel 2023 ha rifiutato offerte da Anthropic e Cursor, scegliendo invece di lavorare sull’inferenza e sull’addestramento di modelli di frontiera in DeepMind. Nel 2024, ha nuovamente rinunciato a entrambe quelle opportunità e ha scelto OpenAI perché era più in linea con i suoi interessi, la sua cultura e

obiettivi in quel momento.

Dal punto di vista della carriera, quelle opportunità alternative avevano un xG elevato. Ma la scelta migliore dipende dalla tua direzione personale, dal team, dal mercato e da ciò che stai cercando di imparare.

Una carriera è lunga. Le opportunità vanno e vengono. L’obiettivo non è dire sì a tutto ciò che sembra impressionante. L’obiettivo è trovarsi in contesti in cui opportunità significative possano raggiungerti — e poi prendere decisioni migliori quando accade.

La reputazione e la competenza contano ancora. Alcune opportunità arrivano perché le persone si fidano già del tuo lavoro. Altre arrivano perché hai dedicato tempo reale a problemi che interessano a determinati team.

A un certo punto, la vita non riguarda solo il vedere le opportunità. Riguarda il trasformarle in risultati. Questo significa raccogliere abbastanza informazioni, fare domande migliori e prendere decisioni con più contesto.

Per le aziende in fase iniziale, i fattori più importanti sono di solito il team e il mercato. Molti candidati si concentrano troppo sul prodotto attuale. Ma se il team è eccezionale, spesso il prodotto cambierà nel tempo fino a diventare qualcosa di molto migliore.

6. Puoi iniziare a fare ricerca già adesso

Molte persone chiedono come entrare nella ricerca sull’IA. Un punto di partenza utile è non aspettare il permesso.

Non hai sempre bisogno di capacità di calcolo su scala da laboratorio di frontiera per iniziare. Un ottimo punto di partenza è usare modelli esistenti e trasformare le tue intuizioni in valutazioni. Se pensi che un modello fallisca in un certo tipo di ragionamento, flusso di lavoro o compito, progetta una semplice valutazione che lo catturi.

Le classifiche pubbliche di ottimizzazione e le comunità di ricerca aperta possono anche rendere l’esplorazione più strutturata. Offrono alle persone un modo per testare idee, confrontare approcci e imparare dai fallimenti.

La capacità di calcolo aiuta, naturalmente. Ma la ricerca inizia prima del calcolo massivo. Inizia con la curiosità, con esperimenti accurati e con l’abitudine di chiedersi perché qualcosa funzioni o fallisca.

Molte idee falliranno quando verranno scalate. È normale. Capire perché falliscono è il modo in cui costruisci l’intuizione su ciò che funziona davvero.

Alla fine, essere un ricercatore non è solo un titolo professionale. È una mentalità.

All’interno dei laboratori di frontiera, la ricerca spesso combina diversi elementi:

1. Curiosità abbastanza forte da esplorare nuove idee.
2. Disponibilità a lottare con l’infrastruttura finché l’idea non funziona davvero.
3. Comprensione dettagliata del sistema, così che i problemi possano essere risolti in modo efficiente.
4. Comunicazione chiara sul perché il risultato sia importante, così che il team possa giustificare più capacità di calcolo e maggiore attenzione.

Puoi esercitarti in queste cose anche se non fai parte di un laboratorio di frontiera.

Il mondo offre ancora molte opportunità aperte. La chiave è cercare problemi interessanti e poi produrre un lavoro chiaramente al di sopra del livello standard.

FAQ

Qual è il principale consiglio di carriera per i giovani nell’era dell’IA?

Il consiglio centrale è concentrarsi su lavori che siano difficili da valutare o automatizzare direttamente per i sistemi di IA. Questo include scegliere problemi importanti, costruire relazioni di fiducia, sviluppare capacità di giudizio ed eseguire bene i dettagli finali.

Perché individuare i problemi conta di più man mano che gli agenti di IA migliorano?

Gli agenti di IA stanno diventando molto forti nel risolvere compiti chiaramente definiti. Questo rende più preziosa la capacità di identificare il problema giusto. Le persone migliori sapranno che cosa merita

attenzione prima di chiedere a un agente di risolverlo.

La programmazione è ancora utile se la programmazione agentica continua a migliorare?

Sì, ma il valore si sposta. Invece di limitarsi a scrivere codice manualmente, chi costruisce deve comprendere i sistemi, guidare gli agenti, fare il debug dei risultati, progettare architetture migliori e decidere innanzitutto che cosa valga la pena costruire.

Che cosa significa “risorse scarse” in questo contesto professionale?

Le risorse scarse includono tempo, relazioni, reputazione e accesso a persone eccellenti. Il denaro e gli strumenti di base possono diventare più facili da ottenere, ma le reti di fiducia e l’eccellenza dimostrata continuano ad accumulare valore nel tempo.

Che cos’è “l’ultimo miglio” nel lavoro nell’era dell’IA?

L’ultimo miglio è il tratto finale in cui un risultato medio diventa un risultato eccellente. Include test, rifinitura, semplificazione, miglioramento dell’architettura e l’aggiunta di quel giudizio che di solito manca a un risultato grezzo generato dall’IA.

Gli studenti possono iniziare a fare ricerca sull’IA senza entrare in un laboratorio di frontiera?

Sì. Gli studenti possono iniziare usando i modelli esistenti, costruendo piccole valutazioni, verificando ipotesi e partecipando a benchmark aperti o classifiche. La ricerca inizia dalla curiosità e da esperimenti accurati, non solo dal titolo di lavoro o dalla scala di calcolo disponibile.

Come dovrebbe scegliere qualcuno un’azienda di IA in fase iniziale?

Guarda il team, il mercato e l’ambizione del problema. Il prodotto attuale conta, ma i team forti spesso cambiano e migliorano i prodotti nel tempo. Un buon ruolo dovrebbe anche metterti vicino al problema più importante dell’azienda.

Strumenti correlati

• OpenAI: un’azienda di ricerca e prodotti di IA che lavora su modelli di frontiera e sistemi di IA.
• Google DeepMind: l’organizzazione di ricerca sull’IA di Google, focalizzata sull’intelligenza artificiale avanzata.
• Scale AI: un’azienda di infrastrutture per dati e IA collegata a molti flussi di lavoro di prodotti e modelli di IA.
• Anthropic: un’azienda di sicurezza e ricerca sull’IA, nota soprattutto per Claude.
• Cursor: un editor di codice basato sull’IA, spesso citato nel contesto della programmazione agentica.
• Modal: una piattaforma di calcolo serverless per eseguire carichi di lavoro di IA, dati e GPU.
• GitHub: una piattaforma per pubblicare codice, implementazioni di ricerca e benchmark open source.

Link correlati

• Articolo originale su BAAI Hub: la pagina sorgente in cinese usata per questo articolo riscritto.
• Articolo di Phil Chen su X: consigli di carriera nell’era dell’IA: l’articolo originale su X citato dal post di BAAI.
• The Bitter Lesson: il celebre saggio di Richard Sutton sull’espansione dei metodi generali nell’IA.
• Alfred Lin: The Last 10%: un post su come la fase finale dell’esecuzione possa generare la maggior parte del valore.
• Vlad Feinberg: Come ottenere un lavoro in un laboratorio di frontiera: consigli di carriera per chi punta ai laboratori di IA di frontiera.
• KellerJordan/modded-nanogpt: un’ottimizzazione pubblica e

Repository del speedrun di NanoGPT rilevante per la pratica concreta della ricerca sull’IA.

• Sito ufficiale di Modal: una piattaforma di calcolo menzionata nel contesto di rendere gli esperimenti di IA più facili da eseguire.

Sintesi

Questo articolo spiega perché, nell’era dell’IA, la crescita professionale dipende meno dal semplice risolvere i problemi assegnati e più dall’individuare problemi importanti, scegliere contesti ambiziosi e costruire il tipo di reputazione che crea opportunità di alta qualità.

Sottolinea inoltre che la programmazione agentica cambia il valore del lavoro tecnico. I risultati medi diventano più facili da ottenere, quindi il giudizio, il gusto, la comprensione dei sistemi e la capacità di portare a termine l’ultima fase dell’esecuzione diventano più importanti.

Per i giovani che si avvicinano all’IA, il percorso pratico è chiaro: passare tempo con persone eccellenti, lavorare su problemi significativi, esercitarsi nell’esecuzione approfondita e iniziare a fare ricerca attraverso piccoli esperimenti e valutazioni.

Nell’era dell’IA, il vantaggio appartiene a chi sa scegliere i problemi giusti e offrire un lavoro che vada oltre lo standard.