Intelligenza organizzativa e AI: competenze e ruolo HR

Dalle competenze individuali all’intelligenza organizzativa: il nuovo ruolo dell’AI

L’intelligenza artificiale può aumentare la produttività e facilitare l’accesso alle conoscenze aziendali. Le ricerche mostrano però risultati differenti quando si considerano l’apprendimento individuale e lo sviluppo delle capacità collettive. Per la funzione HR emerge una questione che riguarda direttamente la progettazione del lavoro: le organizzazioni sono preparate a trasformare le opportunità offerte dall’AI in risultati duraturi?

di RisorseUmane-HR.it

Dalla produttività individuale alla capacità organizzativa

Immaginiamo un’azienda che introduca un assistente di intelligenza artificiale per facilitare l’accesso alle proprie conoscenze interne. Procedure, documenti e informazioni accumulate negli anni diventano interrogabili attraverso il linguaggio naturale. I dipendenti trovano più rapidamente ciò che cercano, riducono le richieste di supporto ai colleghi e riescono a svolgere alcune attività in meno tempo. Dopo alcuni mesi, gli indicatori di produttività mostrano risultati incoraggianti. Il progetto sembra aver raggiunto i suoi obiettivi. Ma che cosa è cambiato nel funzionamento dell’organizzazione?

La maggiore disponibilità delle informazioni ha favorito l’apprendimento? Le conoscenze circolano meglio tra le funzioni? I responsabili dispongono di elementi più affidabili per prendere decisioni? E le persone hanno acquisito nuove competenze oppure dipendono maggiormente dallo strumento che utilizzano? Sono aspetti che richiedono valutazioni differenti. Un miglioramento delle prestazioni individuali può contribuire all’efficacia complessiva dell’azienda, ma il suo effetto sulle capacità organizzative dipende anche da come sono progettati il lavoro, le responsabilità e le modalità di collaborazione.

Le ricerche sull’intelligenza artificiale cominciano a offrire elementi concreti per comprendere questi passaggi. Alcuni studi documentano miglioramenti della produttività e dell’apprendimento; altri evidenziano benefici che rimangono legati all’utilizzo dello strumento, senza produrre trasformazioni apprezzabili nelle modalità di lavoro. La distinzione assume particolare importanza per la funzione HR, chiamata a occuparsi dello sviluppo delle competenze e, sempre più spesso, delle condizioni organizzative nelle quali queste vengono esercitate.

Dalle competenze delle persone alla conoscenza dell’organizzazione

Nel recente approfondimento Quanto vale un mestiere?, abbiamo affrontato il valore delle competenze professionali, soffermandoci su quella parte del sapere che si sviluppa attraverso l’esperienza e che non sempre trova un adeguato riconoscimento nelle strutture organizzative. È il caso delle conoscenze tacite, delle capacità di interpretare situazioni particolari e di individuare soluzioni che difficilmente possono essere descritte in una procedura. Un patrimonio professionale che appartiene alle persone e dal quale dipende, in misura spesso sottovalutata, il funzionamento delle organizzazioni.

Da questa riflessione deriva una questione ulteriore: in che modo le competenze individuali possono contribuire allo sviluppo di una conoscenza collettiva, accessibile e utilizzabile anche da altri professionisti? La presenza di persone competenti costituisce una risorsa essenziale, ma la capacità organizzativa dipende anche dal modo in cui le loro conoscenze vengono condivise, integrate nei processi e utilizzate nelle decisioni.

Un’impresa può disporre di professionisti altamente qualificati e incontrare comunque difficoltà nel trasferire le esperienze, coordinare attività tra reparti o preservare le conoscenze sviluppate nel tempo. L’intelligenza artificiale interviene su alcuni di questi problemi, offrendo strumenti capaci di recuperare informazioni, collegare contenuti e rendere più accessibile una parte del patrimonio conoscitivo aziendale.

Il tema, tuttavia, precede ampiamente l’arrivo dell’AI generativa. Gli studi sulla gestione della conoscenza e sull’apprendimento organizzativo hanno da tempo evidenziato quanto sia complesso trasformare il sapere delle persone in una risorsa condivisa. È da queste ricerche che conviene partire per comprendere le opportunità offerte dall’intelligenza artificiale e i limiti che ancora ne condizionano l’impiego.

Dalla conoscenza tacita alla memoria organizzativa

Nel 1994 Ikujiro Nonaka pubblicò su Organization Science lo studio A Dynamic Theory of Organizational Knowledge Creation, dedicato ai processi attraverso i quali le organizzazioni sviluppano conoscenza a partire dall’esperienza degli individui. La teoria distingue la conoscenza tacita, radicata nell’esperienza e difficilmente formalizzabile, dalla conoscenza esplicita, che può essere rappresentata attraverso documenti, procedure e linguaggi condivisi.

Il modello SECI descrive quattro processi di conversione della conoscenza:

• Socializzazione: trasferimento di conoscenze tacite attraverso esperienze condivise, osservazione e interazione.
• Esternalizzazione: trasformazione di una parte della conoscenza tacita in concetti e contenuti espliciti.
• Combinazione: integrazione e riorganizzazione di conoscenze esplicite già disponibili.
• Internalizzazione: assimilazione delle conoscenze attraverso l’apprendimento e la pratica.

Applicando questo schema all’AI generativa, si può ipotizzare che i sistemi attuali offrano un contributo particolarmente significativo alla combinazione della conoscenza esplicita. Consentono infatti di cercare, sintetizzare e collegare informazioni già documentate. Possono inoltre agevolare l’esternalizzazione, aiutando un professionista a descrivere una procedura, documentare un’esperienza o ricostruire il ragionamento seguito in una decisione.

Questa interpretazione costituisce un’applicazione del modello SECI alle tecnologie generative, anziché un risultato direttamente dimostrato dagli studi originali di Nonaka. La possibilità di rappresentare integralmente la conoscenza tacita rimane problematica. Esperienza, sensibilità professionale, relazioni e capacità di giudizio dipendono anche da elementi difficili da trasferire in un sistema informatico.

Un ulteriore riferimento proviene dagli studi di James Walsh e Gerardo Ungson (1991) sulla memoria organizzativa, intesa attraverso i processi di acquisizione, conservazione e recupero delle informazioni. La memoria di un’organizzazione è distribuita tra persone, procedure, strutture e pratiche consolidate. Gli archivi documentali ne rappresentano soltanto una componente. L’AI può facilitare il recupero delle informazioni e la ricostruzione di precedenti. Rimane da verificare quanto questi miglioramenti contribuiscano alla capacità dell’organizzazione di apprendere e affrontare situazioni nuove.

Che cosa cambia con l’AI generativa nella gestione della conoscenza

Le aziende cercano da decenni di ridurre la frammentazione delle informazioni e preservare le competenze critiche. L’AI generativa mette a disposizione modalità di accesso alla conoscenza che possono rendere questi obiettivi più facilmente perseguibili. Una delle novità riguarda l’utilizzo del linguaggio naturale. I lavoratori possono formulare domande su documenti, procedure e archivi senza conoscere necessariamente la struttura dei sistemi che li contengono.

Le tecniche di Retrieval-Augmented Generation (RAG), descritte da Lewis e colleghi (2020), consentono di collegare un modello linguistico a fonti informative esterne, recuperando contenuti pertinenti da utilizzare nella generazione delle risposte. Per un’organizzazione che conserva informazioni in numerosi documenti, questo approccio può ridurre i tempi necessari per trovare procedure, ricostruire precedenti e individuare contenuti utili.

L’efficacia dipende però dalla qualità delle informazioni e dal funzionamento del sistema. Un assistente AI può restituire una risposta plausibile ma errata, utilizzare una procedura superata oppure trattare come regola generale una soluzione adottata in circostanze particolari. Il Generative AI Profile pubblicato dal National Institute of Standards and Technology (NIST, 2024) richiama, tra gli altri, i rischi legati all’accuratezza delle informazioni, alla loro provenienza, alla riservatezza e all’integrità dei contenuti.

Prima di collegare un assistente agli archivi aziendali, occorre quindi stabilire quali fonti utilizzare, chi possa accedervi, come gestirne l’aggiornamento e quali verifiche siano necessarie prima di impiegare le risposte. Un’informazione inesatta, resa facilmente accessibile a numerose persone, può produrre conseguenze più estese rispetto a un errore confinato in un singolo documento.

AI, produttività e apprendimento: che cosa mostrano le ricerche

Le evidenze empiriche aiutano a distinguere tre risultati spesso associati tra loro: miglioramento delle prestazioni, apprendimento individuale e sviluppo delle capacità organizzative.

L’AI nell’assistenza clienti: produttività e trasferimento delle competenze

Erik Brynjolfsson, Danielle Li e Lindsey Raymond (2025) hanno analizzato l’introduzione di un assistente AI nel lavoro di 5.172 operatori di assistenza clienti. Lo studio, pubblicato su The Quarterly Journal of Economics, documenta un aumento medio del 15% nel numero di problemi risolti per ora. I benefici maggiori hanno riguardato gli operatori meno esperti. Per quelli più qualificati i miglioramenti sono stati limitati e, in alcuni casi, è stato osservato un lieve peggioramento nella qualità delle interazioni.

La ricerca ha individuato anche evidenze di apprendimento: alcuni miglioramenti sono rimasti osservabili durante interruzioni temporanee del sistema. Secondo gli autori, l’assistente AI può contribuire alla diffusione delle pratiche sviluppate dagli operatori più competenti, rendendole disponibili ai colleghi con minore esperienza. È un esempio concreto di come la tecnologia possa favorire il trasferimento di conoscenze professionali.

Le prestazioni dei consulenti e il problema delle competenze acquisite

Risultati differenti emergono da uno studio pubblicato il 26 ottobre 2026 su Nature Human Behaviour da Emma Wiles e colleghi. L’esperimento randomizzato ha coinvolto 487 consulenti impegnati in attività di data science esterne alla loro specializzazione. I partecipanti che avevano ricevuto accesso a ChatGPT e una formazione sul suo utilizzo hanno ottenuto prestazioni migliori rispetto al gruppo di controllo.

Nelle verifiche successive, svolte senza lo strumento, i ricercatori non hanno tuttavia trovato evidenze di una maggiore acquisizione delle conoscenze tecniche esaminate. L’AI ha quindi migliorato la capacità dei consulenti di svolgere determinate attività durante il suo utilizzo. Le prove successive non hanno dimostrato un corrispondente apprendimento delle competenze tecniche.

La ricerca è stata realizzata con il coinvolgimento di BCG e di un ricercatore di OpenAI, circostanze dichiarate nella pubblicazione insieme ai rispettivi ruoli nello studio. Il risultato richiama una distinzione importante per le politiche di sviluppo professionale: la prestazione ottenuta con l’AI e la competenza acquisita dalla persona possono seguire percorsi differenti.

Tempo risparmiato e organizzazione del lavoro

Un terzo contributo proviene da Eleanor Dillon, Sonia Jaffe, Nicole Immorlica e Christopher Stanton. In uno studio diffuso come working paper NBER nel 2025, i ricercatori hanno analizzato un esperimento sul campo che ha coinvolto 7.137 lavoratori della conoscenza in 66 imprese. I partecipanti hanno avuto accesso a uno strumento di AI generativa integrato nelle applicazioni utilizzate per email, documenti e riunioni.

Nella seconda metà dell’esperimento, gli utilizzatori dello strumento hanno ridotto il tempo dedicato alla posta elettronica e quello trascorso lavorando fuori dall’orario ordinario. La quantità e la composizione complessiva delle attività non hanno invece mostrato cambiamenti significativi. I risparmi di tempo individuali, dunque, non si sono tradotti automaticamente in una diversa organizzazione del lavoro.

Il risultato suggerisce che modificare attività che dipendono dal singolo lavoratore possa essere più semplice che intervenire su processi che richiedono coordinamento tra più persone e funzioni. I tre studi riguardano contesti differenti e misurano risultati specifici. Nel loro insieme mostrano quanto sia importante chiarire quale beneficio si intenda ottenere dall’AI, evitando di considerare produttività, apprendimento e trasformazione organizzativa come conseguenze inevitabilmente collegate.

Tre dimensioni per valutare l’intelligenza organizzativa

Le ricerche considerate permettono di proporre una distinzione operativa. La prestazione individuale assistita riguarda i risultati che un lavoratore consegue utilizzando l’AI: qualità, velocità e quantità del lavoro svolto. L’apprendimento individuale riguarda le conoscenze e competenze effettivamente acquisite, che possono essere verificate anche senza il supporto tecnologico. La capacità organizzativa riguarda invece la possibilità dell’azienda di conservare, condividere e utilizzare conoscenze attraverso persone, processi e sistemi.

Un miglioramento nella prima dimensione può accompagnarsi a progressi nelle altre, ma può anche rimanere circoscritto all’attività individuale. Un professionista potrebbe acquisire nuove competenze senza trovare occasioni per applicarle. Un’organizzazione potrebbe rendere accessibili maggiori quantità di informazioni senza migliorare la qualità delle proprie decisioni.

Anche la metanalisi di Vaccaro, Almaatouq e Malone (2024), basata su 106 esperimenti, invita a valutare attentamente le modalità di collaborazione tra esseri umani e AI. Nei compiti esaminati, le combinazioni uomo-AI hanno ottenuto mediamente risultati inferiori alla migliore prestazione dei due agenti considerati separatamente. Gli esiti sono stati più favorevoli nelle attività di creazione di contenuti rispetto a quelle decisionali.

Gli esperimenti esaminati arrivano fino a giugno 2023 e non misurano direttamente lo sviluppo delle capacità organizzative nel lungo periodo. La ricerca rimane utile per ricordare che l’integrazione tra persone e tecnologia richiede una valutazione delle attività e dei risultati effettivamente conseguiti.

Le organizzazioni sono pronte?

La preparazione dei lavoratori è diventata uno dei principali temi del dibattito sull’AI: competenze digitali, capacità di utilizzare strumenti generativi e valutazione critica dei risultati. Meno attenzione viene spesso dedicata alle condizioni nelle quali queste competenze devono essere impiegate.

La ricerca Global Human Capital Trends 2026 di Deloitte indica che il 66% dei rispondenti considera importante progettare intenzionalmente le interazioni tra persone e AI per il successo organizzativo. Soltanto il 6% dichiara di essere all’avanguardia in questa attività. I dati derivano dalle valutazioni dei partecipanti e riflettono quindi la loro percezione della maturità raggiunta. Evidenziano comunque la distanza dichiarata tra l’importanza attribuita al tema e la capacità di affrontarlo.

Richard Skellett (2025) ha richiamato l’attenzione sulla necessità di rivedere i modelli operativi aziendali per integrare le capacità umane e digitali. Dave Ulrich (2026), attraverso le sue riflessioni sulle human capabilities, collega l’utilizzo dell’AI allo sviluppo del talento, dell’organizzazione e della leadership. Sono contributi manageriali che aiutano a interpretare un problema già presente nella letteratura organizzativa: il risultato di un investimento dipende anche dalle condizioni nelle quali viene introdotto.

Nel caso dell’AI, la maturità organizzativa può essere valutata considerando cinque dimensioni.

1. Qualità e accessibilità delle conoscenze

Le informazioni devono essere affidabili, aggiornate e disponibili alle persone autorizzate. Un assistente collegato a documenti incompleti o contraddittori rischia di riprodurne le debolezze. Diventa quindi importante attribuire responsabilità precise alla gestione e all’aggiornamento delle fonti.

2. Processi e responsabilità

L’utilità dell’AI dipende anche dal modo in cui le risposte vengono inserite nei processi. Devono essere definiti i casi nei quali il risultato può essere utilizzato direttamente, quelli che richiedono verifiche e le situazioni nelle quali è necessario il giudizio di un professionista.

3. Collaborazione tra funzioni

L’adozione di strumenti separati può produrre benefici all’interno delle singole unità, lasciando immutati i problemi di coordinamento. Al tempo stesso, l’AI può contribuire a ridurre alcune barriere informative, facilitando l’accesso a conoscenze prima difficili da condividere. L’effetto dipende dalle caratteristiche dei processi e dalle modalità di utilizzo.

4. Apprendimento e autonomia

La crescente disponibilità di assistenti intelligenti modifica le occasioni attraverso le quali le persone sviluppano competenze. Alcune attività possono diventare più accessibili, mentre altre rischiano di essere svolte senza una comprensione adeguata dei problemi affrontati. Le politiche formative devono quindi considerare anche la capacità di esercitare autonomamente le competenze essenziali per il ruolo.

5. Fiducia e partecipazione

La quinta dimensione riguarda il rapporto tra persone e organizzazione. I lavoratori devono conoscere le finalità dei sistemi, comprendere come vengono utilizzate le informazioni e poter contribuire, nelle forme appropriate, alla definizione delle modalità operative. Questa condizione assume particolare importanza quando l’AI viene impiegata per raccogliere e rendere riutilizzabili conoscenze professionali.

Il dilemma della fiducia: valorizzazione o appropriazione della conoscenza?

La conoscenza professionale si sviluppa attraverso esperienza, relazioni e investimenti personali e aziendali. Quando un’organizzazione utilizza sistemi AI per strutturarla e renderla disponibile ad altri, può modificare anche il rapporto tra il professionista e l’impresa.

Un lavoratore può considerare l’iniziativa un’opportunità per condividere la propria esperienza e contribuire alla crescita dei colleghi. Può tuttavia percepire il medesimo progetto come un tentativo di rendere l’azienda progressivamente meno dipendente dalle sue competenze. La questione diventa particolarmente delicata quando le informazioni raccolte possono essere riutilizzate indipendentemente dalla persona che ha contribuito a produrle.

Servono quindi regole chiare sulle finalità, sull’accesso e sulla conservazione delle informazioni. Deve essere chiarito anche se i contenuti possano essere utilizzati per valutare le prestazioni, monitorare attività o supportare decisioni riguardanti i lavoratori.

Per le imprese italiane il tema coinvolge diversi riferimenti normativi, tra cui il GDPR, l’articolo 4 dello Statuto dei lavoratori, il regolamento europeo sull’intelligenza artificiale (AI Act) e la legge italiana n. 132 del 23 settembre 2025. La loro applicazione dipende dalle caratteristiche dei sistemi e dagli utilizzi concretamente previsti. Occorre inoltre considerare le differenti decorrenze e le disposizioni transitorie della normativa europea. La definizione delle garanzie richiede pertanto il coinvolgimento delle competenze giuridiche appropriate, oltre alla valutazione delle responsabilità organizzative.

La partecipazione dei lavoratori e, nelle situazioni previste o opportune, delle loro rappresentanze può contribuire alla definizione di finalità condivise, regole di utilizzo e strumenti di tutela. La disponibilità delle persone a condividere le proprie conoscenze rappresenta una condizione importante per il successo dei progetti. Un sistema percepito come poco trasparente potrebbe incontrare resistenze proprio da parte dei professionisti che dovrebbero contribuire alla sua costruzione.

Come misurare la maturità organizzativa nell’utilizzo dell’AI

La maturità organizzativa può essere valutata attraverso indicatori collegati alle condizioni necessarie per utilizzare efficacemente l’intelligenza artificiale. La tabella propone un possibile schema di valutazione, da adattare alle caratteristiche dell’impresa e agli obiettivi del progetto.

A queste dimensioni si possono aggiungere due valutazioni trasversali. La prima riguarda la continuità operativa: quanto tempo occorre per recuperare le informazioni necessarie quando il professionista che abitualmente le gestisce è assente? La seconda riguarda il valore economico complessivo: quali benefici produce il sistema rispetto ai costi di introduzione, manutenzione, controllo, aggiornamento e gestione dei rischi?

Gli indicatori rappresentano una proposta operativa e non costituiscono una scala scientificamente validata. Per interpretarli servono una situazione iniziale documentata, obiettivi misurabili e verifiche successive. Quando possibile, il confronto dovrebbe coinvolgere processi o gruppi comparabili.

È importante anche distinguere le ragioni di eventuali risultati insoddisfacenti. Dati inadeguati, limiti tecnologici, processi confusi e costi elevati richiedono interventi differenti. Una valutazione corretta deve permettere di riconoscere sia i benefici sia le condizioni nelle quali il progetto non produce i risultati attesi.

Il ruolo HR nella costruzione dell’intelligenza organizzativa

Per la funzione HR, l’introduzione dell’intelligenza artificiale solleva questioni che coinvolgono direttamente la progettazione del lavoro. Individuare le competenze critiche, facilitare il trasferimento della conoscenza e sostenere lo sviluppo professionale rimangono attività essenziali. A queste si aggiunge la necessità di comprendere come l’AI modifichi i ruoli, le responsabilità e le occasioni di apprendimento.

Il contributo HR può essere particolarmente utile nella valutazione degli effetti sulle condizioni di lavoro, sull’autonomia professionale e sulla collaborazione tra persone. Un progetto di gestione della conoscenza, per esempio, dovrebbe considerare fin dall’inizio le modalità attraverso le quali i professionisti contribuiscono alla costruzione del patrimonio informativo. La funzione HR può inoltre aiutare il management a distinguere i benefici immediati sulla produttività dalle conseguenze sullo sviluppo delle competenze.

La governance complessiva richiede una collaborazione tra direzione aziendale, responsabili dei processi, IT, sicurezza, funzioni legali e protezione dei dati. In questo quadro, l’HR può svolgere una funzione di raccordo tra le scelte tecnologiche e le condizioni organizzative nelle quali le persone lavorano. La sua partecipazione è particolarmente importante quando l’adozione dell’AI comporta cambiamenti nelle modalità di valutazione, nell’organizzazione delle attività o nell’accesso alle conoscenze professionali.

Che cosa verificare prima di parlare di intelligenza organizzativa

Le ricerche esaminate documentano benefici dell’intelligenza artificiale sulla produttività e, in determinati contesti, sull’apprendimento. Gli effetti sulle capacità organizzative richiedono un’analisi ulteriore. La diffusione degli strumenti può migliorare il lavoro dei singoli senza modificare significativamente il coordinamento tra funzioni o la disponibilità collettiva delle conoscenze.

Per valutare questi risultati è utile partire da un problema organizzativo circoscritto. Un’azienda potrebbe individuare un processo nel quale le attività dipendono fortemente dalle conoscenze di uno o pochi professionisti, selezionare una base documentale affidabile e definire responsabilità precise per il suo aggiornamento. Prima dell’introduzione dell’AI si possono misurare i tempi necessari per recuperare le informazioni, la qualità delle risposte disponibili e il coinvolgimento delle persone interessate.

Una verifica successiva consentirà di comprendere quali risultati siano migliorati, quali difficoltà persistano e se il sistema abbia contribuito a rendere il lavoro meno dipendente dalla disponibilità del singolo esperto. È un approccio che permette di collegare l’investimento tecnologico alle condizioni effettive di funzionamento dell’organizzazione.

Lo sviluppo delle competenze individuali rimane indispensabile. Ma il loro contributo ai risultati aziendali dipende anche da processi, leadership e relazioni che consentano di utilizzarle e condividerle. La maturità organizzativa si misura anche nella capacità di creare queste condizioni, trasformando le competenze disponibili in risultati che possano essere sostenuti e sviluppati nel tempo.

---

Riferimenti bibliografici

• Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
• Deloitte. (2026, 4 marzo). Getting human and machine relationships right. Deloitte Insights. Leggi il contributo su Deloitte Insights.
• Dillon, E. W., Jaffe, S., Immorlica, N., & Stanton, C. T. (2025). Shifting work patterns with generative AI (NBER Working Paper No. 33795). National Bureau of Economic Research. https://doi.org/10.3386/w33795
• Lewis, P., Perez, E., Piktus, A., et al. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33. https://arxiv.org/abs/2005.11401
• National Institute of Standards and Technology. (2024). Artificial intelligence risk management framework: Generative artificial intelligence profile (NIST AI 600-1). https://doi.org/10.6028/NIST.AI.600-1
• Nonaka, I. (1994). A dynamic theory of organizational knowledge creation. Organization Science, 5(1), 14–37. https://doi.org/10.1287/orsc.5.1.14
• Skellett, R. (2025). Why AI needs an operating model and you don’t have one. Bloor Research. Leggi il contributo su Bloor Research.
• Ulrich, D. (2026, 1 settembre). AI and human capability: Where are we? Where are we going? How do we get there? LinkedIn. Leggi il contributo su LinkedIn.
• Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1
• Walsh, J. P., & Ungson, G. R. (1991). Organizational memory. Academy of Management Review, 16(1), 57–91. https://doi.org/10.5465/amr.1991.4278992
• Wiles, E., Krayer, L., Abbadi, M., Awasthi, U., Kennedy, R., Mishkin, P., Sack, D., & Candelon, F. (2026). Generative AI and the temporary upskilling of knowledge workers. Nature Human Behaviour. https://doi.org/10.1038/s41562-026-02566-6

---