I team sono ancora rilevanti?

• Di Andreas Schliep • 14 min read

Organizzazioni adattive Principi agili Team IA nella collaborazione
Immagine simbolica del lavoro di squadra come partita di calcio

I team sono ancora rilevanti?

Rivisto il 9 ottobre 2026: diverse affermazioni della versione originale erano errate o non documentate, e l’argomentazione è stata ricostruita. Si veda la nota di revisione alla fine. La revisione è stata preparata con l’assistenza dell’IA.

Due sviluppi mettono in discussione il team tradizionale. Il lavoro da remoto è diventato una parte stabile della vita lavorativa: negli Stati Uniti, a metà 2023 le giornate intere lavorate da casa rappresentavano il 28% delle giornate lavorative retribuite, circa quattro volte il livello del 2019 (Barrero, Bloom e Davis). E strumenti come Claude e ChatGPT consentono nuove forme di collaborazione tra uomo e macchina.

Come sostiene Peter Beck nel suo articolo “The AI-Enhanced Team of the Future”, oggi l’IA agentica permette a un singolo sviluppatore di coordinare decine di agenti di codice specializzati e di rilasciare funzionalità pronte per la produzione. È un’osservazione tratta dalla pratica, non un risultato di ricerca. (Dichiarazione: Peter Beck è mio socio in affari e abbiamo sviluppato AME3 insieme.) Beck non ne conclude che i team scompaiano. Si aspetta che la loro composizione e il loro focus cambino, verso ciò che chiama “AI-Enhanced Teams” e, nel software, “Full Business Teams”.

La mia risposta in anticipo: i team restano rilevanti, ma solo a determinate condizioni. Prendo le cinque condizioni che Richard Hackman ha individuato per i team efficaci e mi chiedo, per ciascuna, che cosa le facciano il dynamic teaming e l’IA.

La visione esterna: che cos’è un team e quando vale la pena averlo

Il Manifesto Agile del 2001 dà valore a “gli individui e le interazioni più che i processi e gli strumenti”, e il suo quarto principio chiede che esperti del settore e sviluppatori lavorino insieme ogni giorno. La maggior parte delle pratiche agili, come le retrospettive e il coordinamento quotidiano, presuppone un gruppo stabile che condivide la responsabilità. Questa è la mia lettura; il Manifesto non definisce il team.

Katzenbach e Smith lo fanno. In The Wisdom of Teams (1993) definiscono un team come “un piccolo numero di persone con competenze complementari, impegnate in uno scopo comune, obiettivi di rendimento comuni e un approccio di lavoro comune, per i quali si ritengono reciprocamente responsabili”. Se questa definizione regga quando gli agenti di IA si fanno carico di compiti del team è una questione aperta. Verrebbe meno se la responsabilità reciproca non potesse essere mantenuta, per esempio se nessuno nel team potesse rispondere di ciò che un agente ha prodotto.

Richard Hackman in Leading Teams (2002) ha indicato cinque condizioni per l’efficacia dei team: un team reale (“real team”), una direzione convincente, una struttura abilitante, un contesto organizzativo di supporto e un coaching competente. Per Hackman i team non erano la scelta predefinita. Vale la pena formare un team quando il lavoro richiede contributi interdipendenti, e in un’intervista del 2009 ha affermato che ci sono molte cose che i singoli sanno fare meglio da soli.

Un’avvertenza sulle prove: la prima versione di questo articolo attribuiva ai metodi di lavoro agili grandi miglioramenti delle prestazioni. La sua fonte, un McKinsey Global Survey con 2.190 intervistati pubblicato nel 2021, riporta miglioramenti di circa il 30% solo per le trasformazioni di grande successo e sulla base di autodichiarazioni; la probabilità media di successo è del 30%. È un sondaggio di una società di consulenza e non dice nulla sui team in quanto tali. L’argomentazione che segue si basa quindi sulla ricerca sui team.

La visione interna: cinque condizioni sotto pressione

Il dynamic teaming, cioè formare e riformare i team attorno al lavoro, risale a Dynamic Reteaming di Heidi Helfand. L’AI pairing, cioè persone che lavorano con strumenti come GitHub Copilot o con agenti di codice, cambia il modo in cui il lavoro viene ripartito tra persone e macchine.

1. Un team reale. La prima condizione richiede confini chiari, lavoro interdipendente e appartenenza stabile. Il dynamic teaming mette a rischio la stabilità. Hackman cita il National Transportation Safety Board statunitense: il 73% degli incidenti nella sua banca dati è avvenuto nel primo giorno di volo insieme di un equipaggio. Lo studio di riferimento è più circoscritto di quanto sembri: su 37 incidenti gravi tra il 1978 e il 1990, i dati sulla composizione dell’equipaggio erano disponibili per 15, quindi la cifra si basa su 11 incidenti. La base è piccola, ma altri lavori vanno nella stessa direzione. Huckman, Staats e Upton hanno rilevato, in un’azienda indiana di servizi software, che la familiarità tra i membri del team, cioè quanto spesso avevano già lavorato insieme, aveva un effetto positivo significativo sulle prestazioni. Mortensen e Haas sostengono che i team di oggi sono fluidi, sovrapposti e dispersi, e che i confini sfumati che ne derivano possono comprometterne l’efficacia. Il reteaming ha un prezzo.

L’IA agisce invece sull’interdipendenza. In un esperimento sul campo preregistrato con circa 780 professionisti di Procter & Gamble, Dell’Acqua et al. hanno rilevato che i singoli con l’IA raggiungevano le prestazioni dei team senza IA. I team con l’IA hanno ottenuto i risultati migliori, anche se la differenza rispetto ai singoli con l’IA non era statisticamente significativa, e avevano una probabilità circa tre volte maggiore di produrre soluzioni di livello eccellente. I limiti contano: i “team” erano coppie, in una sola azienda, su un compito breve. Leggo questo risultato con Hackman, non contro di lui: dove il lavoro non richiede più contributi interdipendenti, un singolo con l’IA è la soluzione migliore, e l’organizzazione ha bisogno di meno team, non di team peggiori.

2. Una direzione convincente. Mi aspetto che questa condizione acquisti peso. Dal punto di vista pratico di Beck, i team diventano responsabili di capacità di business complete, con l’IA come moltiplicatore di forza. Il rapporto DORA del 2025 sostiene l’idea dell’amplificatore con dati di sondaggio: l’IA amplifica i punti di forza e di debolezza già presenti in un’organizzazione. Nella sintesi della stessa DORA, il throughput aumenta, ma spesso a scapito della stabilità. La mia deduzione, non un risultato di ricerca: quando produrre costa meno, un team senza una direzione condivisa produce più cose sbagliate, e più in fretta.

3. Una struttura abilitante. Per Hackman comprende la progettazione del compito, il numero e la combinazione dei membri e le norme di comportamento. Sulla combinazione, l’IA può aiutare. Nell’esperimento di Procter & Gamble, i professionisti di ricerca e sviluppo e quelli dell’area commerciale proponevano senza IA le soluzioni tipiche della propria funzione, e con l’IA soluzioni più equilibrate. Sulle norme, l’IA aggiunge un requisito. Uno studio randomizzato di METR con 16 sviluppatori open source esperti e 246 compiti ha rilevato che con l’IA impiegavano il 19% di tempo in più, pur ritenendo in seguito che l’IA li avesse resi circa il 20% più veloci. Questo riflette gli strumenti di inizio 2025. Non dimostra che l’IA rallenti le persone, ma che valutiamo male la nostra produttività quando lavoriamo con l’IA. In un sondaggio su 319 lavoratori della conoscenza, una maggiore fiducia nell’IA generativa era associata a un minore pensiero critico autodichiarato (Lee et al.). Ne concludo che un team che lavora con l’IA ha bisogno di una norma esplicita per verificare i risultati dell’IA e per misurare i propri.

Quale struttura si adatti a quale lavoro è ciò di cui si occupano modelli nati dalla pratica come Org Topologies di Alexey Krivitsky e Roland Flemm. Il modello colloca le unità organizzative secondo l’ampiezza delle loro capacità e la portata del loro lavoro, attualmente in 16 archetipi; i sette dell’articolo introduttivo iniziale sono stati, per ammissione degli stessi autori, generalizzati dalla loro esperienza di consulenza, non derivati empiricamente.

4. Un contesto di supporto. Questa condizione viene spesso elencata e raramente applicata, come nella prima versione di questo articolo. Riguarda i sistemi di ricompensa, di gestione del personale e di informazione attorno al team. Hackman osserva che i sistemi costruiti per guidare e correggere i singoli sono una delle ragioni principali per cui i team rendono meno di quanto potrebbero. Entrambi gli sviluppi spostano il carico su questa condizione. Se le persone cambiano spesso team, ciò che un team stabile porterebbe con sé – accordi di lavoro, standard, sapere chi sa che cosa – deve risiedere nell’organizzazione. Il modello unFIX di Jurgen Appelo, che indica il libro di Helfand come fonte di ispirazione, è un progetto pensato per questo. Oltre alla Crew, che deve essere stabile ma non statica, i suoi pattern strutturali comprendono Forum, Base e Turf; il Forum esiste perché le persone con ruoli simili concordino su come si lavora, il che rende il reteaming meno doloroso. Anche i flussi di informazione dipendono dal contesto: uno studio su 61.182 dipendenti statunitensi di Microsoft ha rilevato che il lavoro da remoto esteso a tutta l’azienda ha reso le reti di collaborazione più statiche e più isolate tra loro (Yang et al.). E se l’IA aumenta la produzione individuale, mi aspetto che un sistema di ricompensa che misura i singoli allontani le persone dal lavoro di squadra, per quanto il team sia ben progettato.

5. Un coaching competente. Hackman ha rilevato che il coaching dei singoli membri contribuisce poco alle prestazioni del team; i team hanno bisogno di coaching come gruppo, sui loro processi. Gli strumenti di IA di oggi assistono i singoli. Non conosco prove che sostituiscano il coaching a livello di gruppo. Considero quindi questa condizione invariata, e una lacuna.

Come avviare la conversazione?

Le quattro metafore della prima versione di questo articolo si possono ora leggere come posizioni rispetto a queste condizioni:

  1. La fortezza solida assicura la prima condizione mantenendo fissa l’appartenenza. È adatta al lavoro fortemente interdipendente e in cui l’affiatamento è costoso da ricostruire, come in una cabina di pilotaggio. Che si riconfiguri lentamente è un mio giudizio, non di Katzenbach e Smith.

  2. Lo sciame scambia stabilità con flessibilità. Funziona solo dove la quarta condizione regge ciò che il team non può più reggere; altrimenti paga il prezzo documentato da Hackman: l’affiatamento perduto.

  3. Le isole isolate sono singoli che lavorano con l’IA. Sono adatte al lavoro che non richiede contributi interdipendenti. Le prove disponibili finora riguardano solo compiti brevi.

  4. L’ibrido IA è un team reale che usa l’IA, come lo descrive Beck. Nell’unico esperimento di cui disponiamo ha prodotto più spesso soluzioni di livello eccellente, e amplifica le condizioni già presenti.

La domanda allora non è quale metafora ci piaccia. Per ogni lavoro è: richiede contributi interdipendenti? Se no, un’isola è la risposta giusta. Se sì: quale delle cinque condizioni manca, e l’organizzazione può fornirla? Integrare l’IA senza perdere l’affiatamento significa mantenere stabile l’appartenenza dove l’interdipendenza è alta, e investire nel contesto ovunque le persone si spostino.

Conclusione

I team restano rilevanti dove il lavoro richiede contributi interdipendenti e le cinque condizioni possono essere soddisfatte. Il dynamic teaming e l’IA rendono la prima condizione più difficile da soddisfare, aumentano l’importanza della seconda, cambiano la terza, spostano il carico sulla quarta e lasciano la quinta dov’era. Haas e Mortensen hanno avviato questo tipo di reinterpretazione per team più diversificati, dispersi, digitali e dinamici.

Questa posizione può essere sbagliata. Verrebbe meno se team più grandi, su periodi più lunghi, non ottenessero con l’IA risultati migliori dei singoli con l’IA nel lavoro interdipendente. Verrebbe meno anche se team riformati di frequente, in un contesto di supporto, rendessero quanto quelli affiatati. Per quanto mi risulta, nessuna delle due cose è stata verificata.

Fino ad allora la mia ipotesi è condizionale: se le condizioni di Hackman restano valide, le organizzazioni che decidono per ogni lavoro se serve un team, e che costruiscono il contesto per i team che mantengono, si adatteranno meglio di quelle che puntano per impostazione predefinita su team fissi o su singoli con l’IA.

Che cosa dicono le prove

  • L’affiatamento conta: equipaggi e team di progetto che hanno già lavorato insieme ottengono risultati migliori (Hackman; Huckman et al. 2009).
  • In un breve compito di innovazione, i singoli con l’IA hanno eguagliato i team di due persone senza IA; i team con l’IA hanno prodotto più spesso soluzioni di livello eccellente (Dell’Acqua et al. 2026).
  • I guadagni di produttività da IA stimati dagli interessati sono inaffidabili (METR 2025), e la fiducia nell’IA si accompagna a un minore pensiero critico (Lee et al. 2025).
  • L’IA agisce da amplificatore: throughput più alto, spesso a scapito della stabilità (DORA 2025).
  • Il lavoro da remoto esteso a tutta l’azienda ha reso le reti di collaborazione più statiche e più isolate tra loro (Yang et al. 2022).

Che cosa presumiamo

  • Le cinque condizioni di Hackman si applicano anche ai team distribuiti e supportati dall’IA.
  • I risultati su coppie e compiti brevi dicono qualcosa sui team più grandi e sul lavoro di lunga durata.
  • Un contesto di supporto può compensare in parte l’affiatamento che il dynamic teaming fa perdere.
  • Se produrre costa meno, una direzione condivisa diventa più importante, e le ricompense individuali indeboliscono il lavoro di squadra quando l’IA aumenta la produzione individuale.
  • I modelli nati dalla pratica come unFIX, Org Topologies e AME3 descrivono opzioni utili; non sono validati empiricamente.

Riferimenti

Nota di revisione

Rivisto il 9 ottobre 2026 (prima pubblicazione il 4 novembre 2025).

Correzioni:

  • McKinsey: la versione originale indicava miglioramenti “dal 30 al 50%” tratti da “studi recenti”. La fonte è un sondaggio di una società di consulenza che riporta circa il 30%, e solo per le trasformazioni di grande successo.
  • Hackman: Leading Teams indica cinque condizioni, non quattro; mancava il “team reale”. La citazione “vuoto di autorità” non è stata riscontrata nelle fonti ed è stata rimossa.
  • unFIX: non esiste un pattern “Crowd”. Il dynamic teaming è ora attribuito a Heidi Helfand.
  • Org Topologies: la descrizione degli assi e il numero di archetipi erano errati.
  • Le affermazioni attribuite a Peter Beck o a Katzenbach e Smith che sono in realtà miei giudizi sono ora indicate come tali; il rapporto d’affari con Peter Beck è dichiarato.

Ristrutturazione:

  • L’articolo ora mette alla prova le cinque condizioni di Hackman rispetto al dynamic teaming e all’IA; la versione originale passava in rassegna dei framework.
  • Le quattro metafore sono derivate da queste condizioni, e le domande finali hanno una risposta.
  • La conclusione indica i risultati che la smentirebbero.
  • Aggiunti: ricerche sulla familiarità tra i membri del team, su IA e lavoro di squadra e sul lavoro da remoto, un riepilogo di prove e ipotesi e un elenco di riferimenti.

Assistenza dell’IA: questa revisione è stata preparata con l’aiuto di un assistente di IA (Claude, Anthropic), che ha verificato le fonti, redatto il testo ristrutturato e prodotto le versioni tedesca e italiana. Ho rivisto il risultato e sono responsabile del suo contenuto.


Informazioni sull’associazione

L’Associazione per le organizzazioni adattive e.V. è un’associazione di sviluppatori organizzativi, coach e formatori europei leader nel settore, che ha lo scopo di creare standard di qualità uniformi per la formazione e l’aggiornamento professionale nello sviluppo organizzativo e di supportare le aziende in mercati incerti. L’obiettivo è aiutare le organizzazioni a diventare più orientate al cliente, efficaci e resilienti.