Con la GenAI diventano ancora più importanti le competenze T-shaped

Negli ultimi mesi mi capita sempre più spesso di chiedermi quali competenze avrà realmente senso sviluppare nei prossimi anni.

Il motivo è abbastanza evidente: la Generative AI sta cambiando molto velocemente il nostro modo di lavorare.

Oggi posso utilizzare un assistente AI per analizzare del codice che non conosco, generare una configurazione Terraform, capire un problema su Kubernetes, costruire una pipeline, studiare un servizio AWS o farmi spiegare un framework che non ho mai utilizzato.

Attività che fino a qualche anno fa avrebbero richiesto ore di documentazione, prove e ricerche oggi possono essere affrontate molto più velocemente.

Questo potrebbe portare a una conclusione abbastanza naturale: diventeremo tutti generalisti.

Più utilizzo questi strumenti, però, più penso che possa succedere esattamente il contrario.

La Generative AI potrebbe rendere ancora più importanti i professionisti T-shaped.

Cosa significa essere T-shaped

Il concetto non è nuovo.

Un professionista T-shaped possiede una conoscenza abbastanza ampia di diverse discipline, rappresentata dalla parte orizzontale della T, e una conoscenza molto profonda di una o più aree specifiche, rappresentata dalla parte verticale.

Nel mondo Cloud Native, ad esempio, la parte orizzontale potrebbe comprendere:

• software architecture;
• cloud;
• networking;
• security;
• CI/CD;
• Infrastructure as Code;
• Kubernetes;
• observability;
• data;
• AI.

Non significa essere esperti di tutto.

Significa conoscere abbastanza questi domini da riuscire a capire un problema nella sua interezza e, soprattutto, riuscire a parlare con specialisti differenti.

Poi c'è la verticale.

È il punto nel quale la conoscenza diventa esperienza: le tecnologie che abbiamo utilizzato realmente, gli errori che abbiamo commesso, le architetture che abbiamo dovuto modificare, gli incident che abbiamo gestito e le decisioni delle quali abbiamo visto le conseguenze mesi dopo.

Ed è proprio questa parte che, secondo me, diventa particolarmente interessante nell'era della GenAI.

Modello delle competenze T-shaped: ampiezza + profondità

La GenAI sta abbassando il costo della conoscenza orizzontale

Se oggi devo capire come funziona un componente che conosco poco, la barriera di ingresso è enormemente più bassa rispetto al passato.

Posso chiedere all'AI di spiegarmelo partendo dal mio livello di conoscenza.

Posso darle una configurazione.

Posso confrontare due architetture.

Posso farle analizzare log, manifest Kubernetes o codice.

Posso chiederle di costruire un primo esempio e poi approfondire i punti che non conosco.

Questo significa che diventa molto più semplice allargare la parte orizzontale della T.

Per un architect è un vantaggio enorme.

Posso entrare molto più velocemente in domini adiacenti al mio senza necessariamente diventare uno specialista di ognuno di essi.

Ma c'è un problema.

GenAI come acceleratore della conoscenza trasversale

Sapere qualcosa non significa saperla valutare

Chi utilizza quotidianamente strumenti di Generative AI probabilmente si è già trovato davanti a questa situazione.

La risposta sembra perfetta.

È scritta bene.

L'architettura sembra convincente.

Il codice sembra corretto.

Poi inizi a guardare meglio.

Una configurazione non funzionerebbe in produzione. Una scelta architetturale ignora un requisito importante. Una policy IAM è troppo permissiva. Un componente Kubernetes è stato utilizzato nel modo sbagliato. Una soluzione tecnicamente possibile diventa molto costosa quando la portiamo su scala.

Il problema delle risposte sbagliate dell'AI non è sempre che sembrano sbagliate.

Spesso è esattamente il contrario.

Sembrano ragionevoli.

Ed è qui che entra in gioco la profondità.

Se utilizzo l'AI in un dominio nel quale ho esperienza, riesco molto più facilmente a contestare una risposta.

Non mi limito a chiedere:

Come posso risolvere questo problema?

Posso dire:

Questa soluzione non mi convince per questi tre motivi. Valuta queste alternative tenendo conto di questi vincoli.

È una differenza enorme.

Nel primo caso sto delegando il ragionamento.

Nel secondo sto utilizzando l'AI per amplificarlo.

“Plausible Answer” vs “Real Expertise”

Il rischio del generalista artificiale

Credo che nei prossimi anni vedremo molti professionisti apparentemente molto più generalisti.

Con gli strumenti AI sarà possibile produrre codice Python senza essere sviluppatori Python, configurazioni Kubernetes conoscendo poco Kubernetes o Terraform senza avere grande esperienza di Infrastructure as Code.

Non penso che questo sia necessariamente negativo.

Anzi, è probabilmente uno dei principali vantaggi della GenAI.

Il rischio nasce quando confondiamo la capacità di produrre qualcosa con la capacità di valutarla.

Generare un manifest Kubernetes è semplice.

Capire come quel workload si comporterà durante il drain di un nodo è un'altra cosa.

Generare una configurazione Terraform è semplice.

Progettare una struttura multi-account che dovrà essere mantenuta per anni è un'altra cosa.

Generare un agente AI è sempre più semplice.

Capire come gestire sicurezza, osservabilità, evaluation, costi, accesso ai dati e comportamento in produzione è un'altra cosa.

La GenAI riduce enormemente la distanza tra “non so farlo” e “riesco a produrre qualcosa”.

Riduce molto meno la distanza tra “riesco a produrlo” e “so se è progettato bene”.

Da T-shaped a π-shaped

C'è poi un'altra evoluzione che trovo interessante.

Per alcuni profili probabilmente la T non sarà più sufficiente.

Possiamo immaginare una figura π-shaped: una conoscenza orizzontale abbastanza ampia accompagnata da due verticalità profonde.

È un modello nel quale personalmente mi riconosco sempre di più.

La mia storia professionale nasce dallo sviluppo software e dalla software architecture e negli ultimi anni si è spostata fortemente verso AWS, Kubernetes e il mondo Cloud Native.

L'arrivo della Generative AI sta aggiungendo una nuova area: RAG, agenti, piattaforme AI e integrazione di questi workload nelle architetture enterprise.

Non considero queste competenze come tre carriere differenti.

Il punto interessante è proprio la loro intersezione.

Un agente AI, alla fine, deve essere eseguito da qualche parte.

Deve accedere a dati e servizi.

Deve essere autenticato.

Deve essere osservabile.

Deve essere distribuito.

Deve scalare.

Deve avere dei limiti di costo.

Deve entrare nei processi di sviluppo e deployment dell'azienda.

In altre parole, dopo la demo arriva sempre la produzione.

Ed è spesso lì che tornano utili tutte quelle competenze che sembravano appartenere al "vecchio" mondo del software engineering, del cloud e delle piattaforme.

Evoluzione da T-shaped a π-shaped: Cloud Native/Platform Engineering + GenAI/Agentic AI

L'AI come moltiplicatore, non come sostituto

Per questo sto iniziando a vedere la Generative AI soprattutto come un moltiplicatore.

Se possiedo una competenza profonda in un dominio, posso utilizzare l'AI per muovermi molto più velocemente nei domini circostanti.

Un Cloud Architect può comprendere più velocemente aspetti applicativi.

Uno sviluppatore può avvicinarsi all'infrastruttura.

Un Platform Engineer può esplorare il mondo AI.

Un AI Engineer può comprendere meglio Kubernetes e le problematiche di produzione.

Le frontiere tra i ruoli diventano meno rigide.

Ma questo non significa necessariamente che la specializzazione perda valore.

Potrebbe significare esattamente il contrario.

Più diventa semplice ottenere una risposta, più diventa importante sapere se quella risposta è buona.

Quindi, cosa conviene studiare?

Personalmente sto cercando di applicare una regola abbastanza semplice.

Non inseguire ogni nuova tecnologia.

Allargare continuamente la parte orizzontale della T, utilizzando anche l'AI per accelerare l'apprendimento, ma scegliere poche aree nelle quali continuare ad andare realmente in profondità.

La domanda quindi non è più soltanto:

Quale tecnologia devo imparare?

Ma:

Quale competenza voglio che rimanga una mia verticale?

Perché framework, servizi cloud e strumenti AI continueranno inevitabilmente a cambiare.

La capacità di progettare sistemi, comprenderne i trade-off e assumersi la responsabilità delle decisioni architetturali cambia molto più lentamente.

Conclusione

Per anni abbiamo discusso se fosse meglio essere specialisti o generalisti.

La Generative AI potrebbe rendere questa contrapposizione molto meno interessante.

Probabilmente avremo bisogno di entrambe le cose.

Abbastanza generalisti da attraversare domini differenti e abbastanza specialisti da sapere quando non fidarci della risposta che abbiamo davanti.

Ed è forse questo il paradosso della Generative AI.

Nel momento in cui abbiamo a disposizione uno strumento capace di darci informazioni praticamente su qualsiasi argomento, la competenza più preziosa potrebbe non essere sapere tutto.

Potrebbe essere sapere abbastanza in profondità qualcosa da riuscire a fare le domande giuste, mettere in discussione le risposte e prendere la decisione finale.