Project Management: l’Italia accelera sull’AI, ma la sicurezza resta la vera priorità d’acquisto
15 Ottobre 2025 - 6 minuti
condividi questo articolo
Insight
Oltre il prompt engineering: come definire competenze, ruoli e responsabilità nell’adozione dell’AI
15 Luglio 2026
Per qualche mese il prompt engineering è sembrato la risposta a quasi ogni domanda sull’intelligenza artificiale in azienda. Workshop, raccolte di comandi, formule per ottenere testi migliori. Una fase utile, che ha permesso a molte persone di avvicinarsi agli strumenti generativi senza dover conoscere modelli, codice o architetture informatiche.
Poi sono arrivati i problemi veri.
Un’analisi prodotta con l’AI può orientare una decisione commerciale? Chi verifica i dati utilizzati? Un dipendente può caricare documenti riservati su una piattaforma esterna? Chi approva un flusso automatizzato? E chi risponde quando il risultato è scorretto, discriminatorio o semplicemente inadatto al contesto?
A quel punto, la qualità del prompt diventa solo una parte del lavoro; l’adozione dell’AI coinvolge processi, competenze e responsabilità e richiede una lingua comune tra direzione, risorse umane, IT, funzioni legali e persone che utilizzano gli strumenti ogni giorno.
Una possibile base di lavoro arriva dallo Skills Framework for the Information Age, SFIA, un modello internazionale che descrive le competenze professionali necessarie nel mondo digitale. La sua proposta sull’intelligenza artificiale parte da un criterio preciso: concentrarsi sulle capacità che restano utili nel tempo, invece di costruire interi sistemi professionali intorno a tecnologie e prodotti destinati a cambiare rapidamente.
Il prompt è un’attività, la competenza produce un risultato
Scrivere una buona istruzione per un modello può migliorare la qualità di una risposta. Il risultato professionale dipende però da ciò che accade prima e dopo quella richiesta.
Un responsabile marketing deve scegliere le fonti, interpretare il posizionamento del brand, riconoscere un’affermazione rischiosa e valutare se il contenuto rispetta gli obiettivi della campagna. Un recruiter deve comprendere i criteri di selezione, individuare possibili distorsioni e documentare il processo. Un analista deve controllare il dataset, il metodo e la solidità delle conclusioni.
La competenza, quindi, comprende lo strumento ma si misura sul lavoro svolto.
SFIA affronta l’AI attraverso capacità professionali applicabili a piattaforme diverse. Il framework collega le conoscenze tecniche alle competenze di business, ai comportamenti e al livello di responsabilità richiesto. Questa impostazione permette di leggere l’adozione dell’intelligenza artificiale come un’evoluzione delle professioni esistenti, evitando di trasformare ogni nuova funzione software in un nuovo mestiere.
La differenza può essere riassunta così:
| Elemento | Domanda da porre | Esempio |
|---|---|---|
| Uso dello strumento | La persona sa interagire con il sistema? | Sa formulare una richiesta e usare le funzioni disponibili |
| Competenza professionale | Sa produrre un risultato valido nel proprio ambito? | Verifica fonti, qualità, tono e coerenza con gli obiettivi |
| Autonomia | Quali decisioni può prendere senza approvazione? | Può usare l’output come bozza, ma non pubblicarlo direttamente |
| Controllo | Quale verifica deve essere eseguita? | Revisione umana, controllo dei dati e verifica delle citazioni |
| Responsabilità | Chi risponde del risultato finale? | Il responsabile del processo o della funzione |
| Evidenza | Che cosa deve essere documentato? | Fonti, versioni, approvazioni, modifiche e criteri adottati |
Questa tabella mostra anche perché un corso orizzontale sui prompt offre risultati limitati. Persone inserite in funzioni diverse possono utilizzare lo stesso modello, ma lavorano con dati, conseguenze e margini decisionali molto differenti.
La mappatura parte dalle attività quotidiane
Le job description raccontano solo una parte del lavoro. Spesso sono ampie, datate o scritte per finalità amministrative. Per comprendere dove inserire l’AI serve osservare le attività concrete.
SFIA utilizza descrizioni orientate ai compiti, costruite attorno a verbi come raccogliere, analizzare, approvare, monitorare e progettare. Questa struttura aiuta a individuare i passaggi nei quali l’AI può automatizzare, assistere o potenziare il lavoro umano. Permette anche di chiarire quali attività debbano restare sotto il controllo di una persona.
Automatizzare significa affidare al sistema l’esecuzione di un’attività con un intervento umano limitato; assistere vuol dire accelerare una parte del lavoro, lasciando alla persona la valutazione e la decisione; potenziare indica invece l’uso dell’AI per affrontare analisi, volumi o scenari che sarebbero difficili da gestire con gli strumenti tradizionali.
Prima di acquistare nuove licenze o progettare un piano formativo, l’azienda può costruire una matrice come questa:
| Attività | Possibile ruolo dell’AI | Valore atteso | Rischio principale | Presidio umano |
| Riassumere documenti interni | Assistenza | Riduzione dei tempi di lettura | Omissioni o interpretazioni errate | Controllo dei punti rilevanti |
| Preparare una prima bozza commerciale | Assistenza | Maggiore velocità di produzione | Informazioni inesatte o tono incoerente | Revisione del commerciale |
| Classificare richieste dei clienti | Automazione | Smistamento più rapido | Categorizzazioni scorrette | Monitoraggio e gestione delle eccezioni |
| Analizzare grandi serie di dati | Potenziamento | Individuazione di pattern | Correlazioni ingannevoli | Validazione dell’analista |
| Valutare candidati | Assistenza limitata | Supporto nell’organizzazione delle informazioni | Bias e trattamento improprio dei dati | Decisione e verifica umana |
| Approvare una spesa o un contratto | Supporto informativo | Accesso rapido a precedenti e clausole | Delega impropria della decisione | Approvazione del responsabile |
L’analisi può essere sviluppata con il metodo descritto nell’approfondimento dedicato a come costruire una mappa delle competenze AI, che utilizza SFIA per collegare competenze, livelli di responsabilità e ruoli effettivamente presenti in azienda.
Il passaggio decisivo consiste nel partire dal processo. Prima si osserva il lavoro, poi si stabilisce il contributo dell’AI. Solo a quel punto diventano visibili le capacità da sviluppare.
Sette livelli per distinguere utilizzo e accountability
Una persona che utilizza un chatbot per sintetizzare una riunione e un dirigente che approva l’introduzione di un sistema predittivo stanno entrambi lavorando con l’AI.
Le loro responsabilità, però, appartengono a piani diversi.
SFIA descrive sette livelli di responsabilità, dai compiti eseguiti sotto supervisione fino alla definizione della strategia. La progressione considera autonomia, influenza, complessità, conoscenza e impatto; applicata all’intelligenza artificiale, aiuta a evitare uno degli errori più frequenti: valutare le competenze attraverso una semplice divisione tra principianti ed esperti.
La questione riguarda ciò che una persona sa fare, ma anche ciò che è autorizzata a decidere.
| Livello organizzativo indicativo | Comportamento atteso | Esempio nell’uso dell’AI | Responsabilità |
| Utilizzo guidato | Segue procedure e istruzioni definite | Usa strumenti approvati attraverso modelli preimpostati | Segnala anomalie e rispetta le regole |
| Applicazione autonoma | Sceglie come usare lo strumento nel proprio lavoro | Adatta prompt e workflow a un’attività ricorrente | Verifica l’output prima dell’utilizzo |
| Coordinamento | Organizza il lavoro e supporta altre persone | Definisce modalità operative per il team | Controlla qualità, eccezioni e coerenza |
| Supervisione professionale | Valuta soluzioni e rischi | Decide quali attività possano essere assistite o automatizzate | Garantisce standard e adeguatezza |
| Direzione | Definisce priorità, policy e investimenti | Approva programmi di adozione e criteri di governance | Risponde dell’impatto organizzativo |
La tabella semplifica i sette livelli SFIA in fasce organizzative immediatamente leggibili. In un progetto reale, ogni competenza dovrebbe essere associata al livello preciso richiesto dal ruolo.
Il risultato è una descrizione professionale più utile. “Conosce gli strumenti di AI generativa” dice poco. “Utilizza sistemi approvati per produrre bozze, verifica fonti e dati, applica le policy aziendali e richiede l’approvazione prima della pubblicazione” definisce un comportamento osservabile.
La governance dell’AI è un lavoro di squadra
Quando le responsabilità rimangono implicite, tendono a concentrarsi su chi conosce meglio lo strumento.
Il collega che ha sperimentato per primo ChatGPT diventa il riferimento informale del reparto.
Il team IT riceve richieste che riguardano anche processi, diritto, dati e organizzazione.
Il reparto HR viene coinvolto quando il software è già stato scelto.
SFIA descrive la governance e l’assurance dell’AI come un insieme coordinato di responsabilità. Comprende la progettazione tecnica, le operazioni, il governo, la gestione del cambiamento e il controllo indipendente. Il framework chiarisce inoltre che questi compiti rappresentano archetipi da adattare al settore, alla maturità dell’impresa e alla sua esposizione al rischio, non job description universali.
L’organigramma esistente può già contenere gran parte delle figure necessarie. Serve però assegnare ruoli espliciti.
| Responsabilità | Figura possibile | Decisioni principali | Evidenze richieste |
| Indirizzo strategico | Executive sponsor, direzione | Priorità, investimenti, propensione al rischio | Obiettivi, budget, criteri di successo |
| Risultato del processo | Business owner, process owner | Modalità di utilizzo e KPI | Performance, eccezioni, impatti |
| Qualità professionale | Domain expert | Correttezza e pertinenza degli output | Revisioni, fonti, criteri di validazione |
| Implementazione | IT, data team, AI specialist | Integrazioni, configurazioni e manutenzione | Test, documentazione tecnica, log |
| Sicurezza e conformità | Legal, compliance, privacy, security | Vincoli, policy e controlli | Valutazioni, autorizzazioni, registri |
| Sviluppo delle persone | HR e Learning & Development | Skill gap, percorsi e valutazione | Mappa delle competenze, assessment, risultati |
| Verifica indipendente | Audit interno o funzione di controllo | Efficacia dei presidi | Rapporti, rilievi, piani correttivi |
Una piccola impresa potrà riunire più responsabilità nella stessa persona. Un gruppo internazionale avrà funzioni distinte e comitati dedicati. In entrambi i casi, il punto resta lo stesso: ogni decisione rilevante deve avere un proprietario riconoscibile.
Dalla mappa delle attività all’AI Skills Audit
Una volta stabilito che cosa cambierà nel lavoro, l’azienda può misurare la distanza tra le competenze disponibili e quelle richieste.
Un AI Skills Audit efficace osserva capacità, comportamenti e responsabilità. Può combinare questionari, interviste, prove pratiche, analisi dei processi e valutazione degli output. L’obiettivo è individuare gap specifici: un team può avere una buona dimestichezza con i chatbot e una scarsa cultura del dato; un management preparato sugli scenari strategici può conoscere poco i vincoli operativi; una funzione tecnica può costruire soluzioni valide senza disporre di criteri condivisi per valutarne l’impatto.
Il percorso può essere organizzato in cinque passaggi:
| Fase | Domanda | Output |
| Analisi dei processi | Dove viene già usata l’AI e dove potrebbe generare valore? | Elenco delle attività prioritarie |
| Definizione del ruolo | Chi utilizza, verifica, approva e controlla? | Matrice delle responsabilità |
| Profilo atteso | Quali competenze servono e con quale autonomia? | Profili professionali aggiornati |
| Assessment | Quali capacità sono già presenti? | Mappa dei gap individuali e di team |
| Piano di sviluppo | Come colmare i gap più rilevanti? | Formazione, coaching, pratica e misurazione |
L’approfondimento sull’AI Skills Audit per la formazione aziendale affronta proprio il passaggio dalla formazione generalista a un piano strutturato, collegando l’analisi delle competenze alla progettazione dei percorsi e alle opportunità di finanziamento.
L’audit evita anche di confondere l’adozione con il numero di licenze attivate. Un’impresa può avere centinaia di account e pochi processi realmente trasformati. Può accadere anche il contrario: un piccolo gruppo, dotato delle competenze e delle responsabilità corrette, può ottenere un impatto significativo su un’attività ad alto valore.
Ogni popolazione aziendale richiede una formazione diversa
La literacy di base resta necessaria: tutte le persone coinvolte devono comprendere possibilità, limiti, rischi e regole di utilizzo. Da quel punto in avanti, i percorsi iniziano a divergere.
Chi lavora nel customer care affronta casi, dati e controlli diversi rispetto a un responsabile acquisti. Un manager deve saper valutare un progetto, definire metriche e gestire le conseguenze organizzative. Un professionista legale deve leggere i rischi contrattuali, normativi e reputazionali. Un team tecnico lavora su integrazione, dati, valutazione dei modelli e monitoraggio.
Una possibile architettura formativa può essere costruita così:
| Destinatari | Competenze prioritarie | Attività formative |
| Tutta la popolazione aziendale | AI literacy, sicurezza, privacy, verifica degli output | Sessioni introduttive, policy, simulazioni di casi |
| Funzioni operative | Utilizzo nei workflow, controllo qualità, gestione delle eccezioni | Laboratori sui processi reali |
| Manager e process owner | Selezione dei casi d’uso, KPI, supervisione, rischio | Workshop decisionali e redesign dei processi |
| Specialisti di funzione | Applicazioni avanzate nel proprio dominio | Project work su dati e documenti aziendali |
| Team IT e data | Integrazione, valutazione, monitoraggio, sicurezza | Laboratori tecnici e sperimentazioni controllate |
| HR e L&D | Mappatura, assessment e sviluppo delle competenze | Progettazione di skill framework e learning path |
| Leadership | Strategia, investimenti, governance e accountability | Sessioni executive basate su scenari |
La formazione produce risultati più solidi quando utilizza materiali, dati e situazioni vicine al lavoro quotidiano. Un laboratorio sulla generazione di contenuti diventa utile per il marketing quando include tone of voice, procedure di approvazione, fonti consentite e criteri di misurazione. Per gli acquisti serviranno contratti, offerte, criteri di confronto e soglie decisionali.
La personalizzazione riguarda, quindi, i contenuti, ma anche il livello di autonomia che l’azienda intende assegnare dopo il percorso.
I fondi possono sostenere un progetto già ben definito
La mappatura delle competenze svolge anche una funzione progettuale. Rende più chiari i destinatari, i fabbisogni, gli obiettivi didattici e i risultati attesi. Sono elementi utili quando l’impresa valuta l’accesso a fondi per la formazione.
L’Avviso Fondimpresa 3/2026 dedicato all’innovazione prevede 20 milioni di euro per piani formativi rivolti ai lavoratori delle imprese aderenti che stanno realizzando interventi di innovazione digitale o tecnologica di prodotto o di processo. Le domande possono essere presentate dalle ore 9 del 29 settembre 2026 alle ore 13 del 30 ottobre 2026, secondo requisiti e procedure specifiche.
Le risorse sono distribuite tra quattro macro-aree:
| Macro-area | Stanziamento |
| Nord | 6.985.000 euro |
| Centro | 4.600.000 euro |
| Sud e Isole | 3.415.000 euro |
| Piani multiregionali | 5.000.000 euro |
| Totale | 20.000.000 euro |
Il finanziamento richiede un piano coerente con un progetto di innovazione effettivo. La sola intenzione di organizzare un corso sull’AI non definisce, di per sé, un intervento ammissibile. Occorre verificare con attenzione beneficiari, soggetti proponenti, modalità di condivisione, attività finanziabili e documentazione prevista dall’Avviso ufficiale.
Per questo la sequenza conta: progetto di innovazione, analisi dei processi, competenze richieste, destinatari, formazione. Il fondo può sostenere il percorso, mentre la qualità del disegno organizzativo resta a carico dell’impresa e dei partner coinvolti.
Dalla sperimentazione a un modello di lavoro
Il prompt engineering continuerà a essere una capacità utile, soprattutto nei ruoli che lavorano ogni giorno con sistemi generativi. Il suo valore cresce quando viene inserito in una struttura più ampia.
Un’organizzazione matura sa quali strumenti sono autorizzati, quali dati possono essere utilizzati e quali output richiedono una revisione. Ha definito chi decide, chi controlla e chi documenta. Misura il risultato sul processo, non sul numero di prompt scritti.
Il percorso può essere letto in sei passaggi:
| Passaggio | Risultato |
| Mappare le attività | Individuare dove l’AI può assistere, potenziare o automatizzare |
| Definire i presidi | Stabilire quali attività restano sotto responsabilità umana |
| Assegnare i ruoli | Chiarire chi utilizza, verifica, approva e controlla |
| Valutare le competenze | Misurare capacità disponibili e gap |
| Progettare la formazione | Costruire percorsi diversi per funzione e responsabilità |
| Misurare l’impatto | Verificare qualità, tempi, rischi e risultati di business |
È il passaggio da una collezione di esperimenti individuali a un sistema professionale. SFIA offre una grammatica per descriverlo; la mappa delle competenze e l’audit lo trasformano in un piano operativo.
Quando processi e ruoli presentano caratteristiche specifiche, la formazione standard può coprire le conoscenze comuni, mentre i laboratori devono entrare nel merito del lavoro. I percorsi di formazione Tailor Made di Ninja per le aziende permettono di partire dai fabbisogni reali, costruendo attività dedicate ai casi d’uso, alle responsabilità e al livello di maturità dell’organizzazione.
La domanda utile, a quel punto, cambia: non riguarda più la capacità di scrivere il prompt perfetto ma il modo in cui l’impresa intende lavorare, decidere e rispondere dei risultati quando l’intelligenza artificiale diventa parte del processo.
Potrebbe interessarti anche
Potrebbe interessarti anche
Corsi, articoli, eventi: il mondo Ninja è ricco di risorse e di appuntamenti da non perdere.
