Insight

AI in azienda: perché formare le persone è più importante che comprare nuovi software

7 Luglio 2026

Molte aziende hanno già comprato l’AI: licenze, piattaforme, copiloti, chatbot interni, strumenti per generare testi, analizzare documenti, scrivere codice, assistere il customer care, produrre contenuti, accelerare report e presentazioni.

La spesa è partita. Il valore, invece, procede più lentamente.

Il dato più netto arriva da McKinsey: quasi tutte le aziende investono in AI, ma solo l’1% ritiene di aver raggiunto un livello maturo di adozione. È una distanza enorme tra acquisto e trasformazione.

McKinsey: quasi tutte le aziende investono in AI, ma solo l’1% ritiene di aver raggiunto un livello maturo di adozione. È una distanza enorme tra acquisto e trasformazione.

Non racconta un problema di entusiasmo o di disponibilità tecnologica. Racconta una difficoltà più concreta: portare l’intelligenza artificiale dentro il lavoro quotidiano, nei processi, nelle decisioni, nelle responsabilità delle persone.

È qui che la formazione diventa più importante del software: un nuovo tool può essere attivato in pochi giorni ma una competenza richiede pratica, contesto, confronto, errori, supervisione.

E soprattutto richiede chiarezza su cosa l’AI deve fare, cosa deve restare in capo alle persone e chi risponde quando un output è sbagliato, incompleto, discriminatorio o semplicemente non adatto alla decisione da prendere.

Per HR, L&D e direzioni aziendali, il tema è ormai uscito dalla fase sperimentale. l’intelligenza artificiale non riguarda più solo data scientist, sviluppatori o innovation team. Entra nel marketing, nelle vendite, nel finance, nel recruiting, nella formazione, nella compliance, nella customer experience, nelle operations. La domanda utile, quindi, non è quale software acquistare. È quali competenze AI servono a ogni ruolo per lavorare meglio, in modo più sicuro e con maggiore impatto sul business.

Prepara i tuoi team alla nuova customer experience guidata dall’intelligenza artificiale. Scopri la formazione su misura di Ninja per la tua azienda

Il software arriva prima, ma non cambia da solo il lavoro

La prima ondata di adozione dell’AI generativa è stata veloce perché gli strumenti erano accessibili. Un account, una licenza, una policy provvisoria, qualche workshop interno. Molte persone hanno iniziato a usare l’AI per scrivere bozze, riassumere testi, costruire scalette, preparare email, analizzare documenti o generare idee.

Questa fase ha avuto un merito: ha ridotto la distanza psicologica dalla tecnologia ma ha anche creato un equivoco: usare un assistente generativo per velocizzare un compito individuale è diverso dall’inserire l’AI in un processo aziendale critico.

Un conto è chiedere a un modello di sistemare un testo, un altro è usarlo per supportare una decisione di recruiting, una risposta a un cliente, una valutazione di rischio, un’offerta commerciale, una diagnosi tecnica, un controllo documentale, una previsione di domanda o un processo di pricing. In quel passaggio cambiano responsabilità, dati, controlli, qualità attesa e conseguenze.

Anche Deloitte, nella ricerca 2025 sullo stato della GenAI nelle imprese, descrive un paradosso ormai evidente: gli investimenti crescono, ma il ritorno resta difficile da dimostrare.

L’indagine, basata su 1.854 executive, segnala che i leader più avanzati non trattano l’AI come un semplice programma tecnologico, ma come una trasformazione che richiede leadership, cultura, casi d’uso scelti bene e competenze diffuse.

Qui si vede la differenza tra adozione e valore. Un’azienda può distribuire strumenti AI a migliaia di dipendenti e ottenere un uso superficiale, frammentato, difficile da misurare. Un’altra può partire da pochi processi, formare le persone coinvolte, chiarire metriche e responsabilità, integrare controlli e ottenere risultati più solidi. La tecnologia è la stessa. Cambia il modo in cui l’organizzazione la assorbe.

Il collo di bottiglia è l’AI literacy

La parola “literacy” può sembrare riduttiva, quasi scolastica. Nel caso dell’AI, invece, indica una competenza di base molto concreta: capire cosa può fare un sistema, quali sono i suoi limiti, quali dati usa, quali rischi introduce, quando va verificato, quando va fermato e quando serve coinvolgere un ruolo più esperto.

Gartner collega direttamente AI literacy e ritorno degli investimenti.

Secondo la società di ricerca, l’81% dei CIO afferma che i gap di competenze sulla GenAI ostacoleranno gli obiettivi 2025, mentre il 63% dei dipendenti non ha ancora usato la GenAI in attività critiche. Il dato più duro riguarda il ROI: solo il 30% degli executive e AI leader dichiara che il CEO riconosce positivamente i ritorni degli investimenti in AI.

solo il 30% degli executive e AI leader dichiara che il CEO riconosce positivamente i ritorni degli investimenti in AI.

La conseguenza è chiara: le aziende possono acquistare strumenti avanzati, ma se le persone non sanno dove usarli, come validarli e quali rischi presidiare, l’AI resta un livello aggiunto sopra processi vecchi. Aumenta la velocità, ma non necessariamente la qualità.

L’AI literacy non coincide con il prompt engineering: scrivere buone istruzioni a un modello è utile, ma rappresenta solo una parte del lavoro. Un dipendente deve anche sapere quando un output è plausibile ma falso, quando un’informazione contiene dati sensibili, quando una raccomandazione può introdurre bias, quando una risposta va documentata e quando l’automazione supera il livello di delega accettabile.

Per un manager, l’AI literacy ha un’altra forma: significa saper fare domande su dati, responsabilità, fornitori, privacy, controlli, costi, impatto sui ruoli e metriche di risultato.

Per un HR director significa leggere come l’AI modifica job architecture, skill taxonomy, percorsi di crescita, mobilità interna e modelli di assessment. Per un buyer significa valutare un fornitore AI anche su logging, auditabilità, uso dei dati, subfornitori ed exit strategy.

La formazione deve quindi diventare role-based: non tutti devono imparare le stesse cose. Tutti devono avere una consapevolezza minima, alcuni devono applicare l’AI nel proprio dominio, altri devono costruire sistemi, altri ancora devono governarli.

In Europa la formazione AI è anche un tema di compliance

Per le aziende italiane ed europee, la formazione sull’intelligenza artificiale ha anche un profilo regolatorio. L’AI Act introduce all’Articolo 4 l’obbligo per provider e deployer di sistemi AI di garantire un livello sufficiente di AI literacy al personale e alle altre persone che operano o usano sistemi AI per conto dell’organizzazione. L’obbligo è entrato in applicazione il 2 febbraio 2025.

La formulazione europea è interessante perché non chiede un corso standard uguale per tutti. Richiede di considerare conoscenze tecniche, esperienza, istruzione, formazione, contesto d’uso e persone su cui i sistemi AI possono avere effetti. In pratica: la literacy deve essere proporzionata al ruolo e al rischio.

Questo cambia l’approccio di molte aziende. Una sessione introduttiva sull’AI generativa può servire a creare consapevolezza, ma difficilmente basta per chi usa strumenti AI in HR, credito, sanità, assicurazioni, selezione del personale, compliance, customer care o processi con impatto su clienti e lavoratori.

La compliance, però, va letta nel modo giusto. Se diventa solo un obbligo formale, produce corsi rapidi, test finali e poca trasformazione. Se viene interpretata come leva organizzativa, può aiutare le aziende a fare ciò che avrebbero comunque bisogno di fare: definire chi usa l’AI, per quali attività, con quali limiti, con quali controlli e con quale formazione.

Il punto riguarda anche la reputazione. Un errore generato da un sistema AI non viene percepito dal mercato come un problema tecnico isolato. Viene letto come una mancanza dell’azienda: nei controlli, nelle competenze, nella governance, nella cura dei clienti o dei dipendenti. Per questo la formazione non è una voce accessoria del progetto. È una parte del sistema di responsabilità.

AI Act e AI Literacy: segui il corso live per prepararsi agli obblighi UE

La mappa delle competenze viene prima del catalogo corsi

Il rischio più frequente nei piani AI è partire dal catalogo: corso base su ChatGPT, laboratorio di prompting, modulo su Microsoft Copilot, webinar sull’AI per la produttività, pillole su sicurezza e privacy. Sono iniziative utili, ma funzionano davvero quando arrivano dopo una diagnosi.

La domanda di partenza dovrebbe essere diversa: dove l’AI cambia il lavoro? In quali processi entra? Quali decisioni assiste o automatizza? Chi verifica gli output? Chi approva l’uso del sistema? Chi monitora errori, bias e prestazioni? Chi aggiorna le policy? Chi conserva le evidenze? Chi risponde davanti a un audit o a un reclamo?

È il tema affrontato anche nell’approfondimento pubblicato su Ninja sulla mappa delle competenze AI: una mappa utile nasce dall’analisi del lavoro, quindi da attività, decisioni, controlli, rischi, passaggi tra team e autonomia richiesta. Corsi, tool e piattaforme arrivano dopo, quando è chiaro quali capacità servono e a quali ruoli devono essere associate.

Questo approccio aiuta a evitare un errore molto diffuso: confondere titolo e competenza. “AI specialist”, “AI champion”, “prompt engineer” o “AI lead” possono essere etichette comode, ma dicono poco se bisogna capire chi controlla un modello, chi documenta una decisione, chi valuta un fornitore, chi corregge un output, chi governa un processo automatizzato.

Il framework SFIA, Skills Framework for the Information Age, offre una logica utile perché collega le competenze digitali a livelli di responsabilità.

La stessa attività può avere significati diversi a seconda del ruolo: usare l’AI per sintetizzare documenti è diverso dal definire una policy aziendale sull’uso di quei documenti. Integrare un modello in un processo operativo è diverso dal validarlo, monitorarlo o rispondere a un audit.

Per HR, questo significa spostare la formazione dal “che cosa insegniamo” al “quale responsabilità dobbiamo rendere agibile”. È un cambio di prospettiva importante.

Un buyer che valuta un fornitore AI non ha bisogno dello stesso percorso di un data scientist; un responsabile HR che usa strumenti generativi per scrivere job description non deve diventare machine learning engineer; un auditor deve invece capire quali evidenze chiedere e come leggere i controlli applicati al sistema.

Tutti devono capire l’AI, pochi devono costruirla

Una formazione efficace distingue tra livelli di esposizione. Il primo è la consapevolezza operativa: riguarda chi usa strumenti AI nel lavoro quotidiano e deve conoscere policy interne, protezione dei dati, limiti degli output, rischi di base e comportamenti ammessi.

Il secondo livello è l’applicazione nel dominio. Qui rientrano marketing, HR, finance, operations, customer service, legal, procurement, cybersecurity. Questi professionisti devono capire come l’AI cambia il proprio mestiere: quali attività può assistere, quali controlli richiede, quali metriche usare, quali rischi sono specifici del dominio.

Il terzo livello è la competenza specialistica. Coinvolge data scientist, machine learning engineer, AI engineer, data engineer, solution architect, MLOps, cybersecurity specialist. Qui servono competenze tecniche profonde su dati, modellazione, validazione, deployment, monitoraggio, sicurezza, performance, manutenzione.

Il quarto livello è la responsabilità di governo: policy, risk management, compliance, audit, assurance, ethical review, vendor management, accountability verso direzione, clienti, lavoratori o autorità. È la parte che spesso arriva tardi, quando il sistema è già in uso e le domande difficili iniziano a emergere.

Questa distinzione riduce sprechi formativi, cioè evita corsi troppo tecnici a chi deve solo usare l’AI in sicurezza, ma evita anche programmi superficiali per ruoli che devono prendere decisioni ad alto impatto. Soprattutto, chiarisce che la competenza AI non è una sola.

Un customer service manager che introduce un assistente generativo deve presidiare qualità delle risposte, escalation verso operatori umani, gestione dei reclami, aggiornamento delle knowledge base, metriche di servizio e tutela dei dati personali. La sua competenza AI non consiste nel costruire il modello, consiste nel governarne l’uso dentro un processo esposto al cliente.

Un HR business partner che usa AI nella selezione o nella progettazione dei ruoli deve conoscere bias, trasparenza, auditabilità, qualità dei dati e limiti delle raccomandazioni automatiche. La sua competenza non si misura dalla velocità con cui produce una job description, ma dalla capacità di usare l’AI senza indebolire equità e responsabilità decisionale.

Il divario tra leader, manager e frontline

L’adozione dell’AI non procede allo stesso ritmo in tutta l’organizzazione. In molte aziende, leader e manager usano più spesso gli strumenti, hanno maggiore accesso alla formazione, partecipano a progetti pilota e vedono prima le opportunità. I ruoli operativi restano più indietro, pur essendo spesso quelli in cui l’AI potrebbe cambiare concretamente tempi, qualità e carichi di lavoro.

BCG, nel report AI at Work 2025, parla di “silicon ceiling”: solo circa la metà dei frontline employees usa regolarmente strumenti AI. Il divario è rilevante perché mostra che l’adozione resta concentrata dove l’accesso, la fiducia e il supporto manageriale sono più forti.

Per HR questo è un segnale da leggere con attenzione. Se l’AI resta nelle mani di pochi ruoli centrali, l’organizzazione rischia di accumulare vantaggi localizzati e nuove disuguaglianze interne. Alcuni team migliorano produttività e capacità decisionale, altri restano esclusi o sviluppano usi informali, difficili da governare.

Il problema non riguarda solo le competenze digitali individuali. Riguarda anche il disegno del lavoro. Un operatore customer care può essere formato a usare un suggeritore AI, ma se i processi di escalation non cambiano, se le knowledge base sono vecchie, se i tempi di risposta restano identici e se il manager valuta solo il numero di ticket chiusi, l’adozione resta povera. L’AI entra nella postazione, non nel lavoro.

Microsoft, nel Work Trend Index 2025, segnala che l’82% dei leader considera questo un anno decisivo per ripensare aspetti centrali di strategia e operations. Il report parla di “Frontier Firm”, organizzazioni costruite attorno alla collaborazione tra persone e agenti AI. La parola chiave, però, è ripensare: inserire agenti digitali dentro processi pensati per un mondo senza AI produce solo un nuovo strato di complessità.

La formazione deve quindi coinvolgere anche i manager di linea. Sono loro a trasformare l’AI da strumento disponibile a pratica quotidiana: decidono tempi, priorità, standard di qualità, feedback, margini di autonomia e criteri di valutazione. Un programma AI che non forma i manager rischia di lasciare i dipendenti soli davanti a strumenti potenti e regole poco chiare.

Il ritorno dell’AI passa dalla qualità dell’apprendimento

L’idea che l’AI faccia risparmiare tempo è diffusa. Più difficile è dimostrare che quel tempo si trasformi in valore. Se una persona genera più documenti, ma nessuno migliora le decisioni, il guadagno resta cosmetico. Se un team produce più analisi, ma non cambia priorità, budget o processi, la produttività è solo apparente.

L’OECD, nel report AI and Skills pubblicato nel 2026, offre una lettura utile: i lavoratori che ricevono formazione sull’AI riportano più spesso effetti positivi dall’adozione, inclusi miglioramenti nella performance e nelle condizioni di lavoro. La formazione, quindi, non serve solo a ridurre il rischio. Serve a far emergere i benefici.

i lavoratori che ricevono formazione sull’AI riportano più spesso effetti positivi dall’adozione, inclusi miglioramenti nella performance e nelle condizioni di lavoro

Questo punto è importante per le aziende italiane: la discussione sull’AI viene spesso divisa tra entusiasmo per l’efficienza e paura della sostituzione. Nella pratica, l’effetto dipende molto da come le persone vengono accompagnate. Un uso guidato può aiutare a ridurre attività ripetitive, migliorare preparazione, accelerare analisi e liberare tempo per lavoro più qualificato. Un uso improvvisato può aumentare ansia, controllo ex post, errori e dipendenza da output non verificati.

La formazione efficace non è solo trasmissione di nozioni. Deve creare abitudini. Verificare un risultato. Chiedere fonti. Confrontare output diversi. Documentare quando l’AI incide su una decisione. Riconoscere dati sensibili. Capire quando un caso d’uso richiede legal, security o compliance. Saper fermare l’automazione quando il rischio supera il beneficio.

Anche LinkedIn Learning, nel Workplace Learning Report 2025, collega apprendimento, adattabilità organizzativa e sviluppo delle competenze. Il messaggio per gli HR è chiaro: l’AI accelera il cambiamento delle skill, ma la risposta non può essere una formazione episodica. Servono percorsi continui, allineati ai ruoli e sostenuti dai manager.

Le competenze umane diventano più visibili

Uno dei paradossi dell’AI è che rende più preziose alcune competenze umane: quando una macchina produce bozze, sintesi, analisi preliminari o codice, cresce il valore della capacità di giudicare, interpretare, scegliere, spiegare, assumersi responsabilità, collaborare e capire il contesto.

PwC, nel Global AI Jobs Barometer 2026, segnala che le competenze richieste nei ruoli più esposti all’AI stanno cambiando a una velocità più che doppia rispetto ai ruoli meno esposti. Le nuove attività aggiunte ai ruoli AI-exposed risultano inoltre 2,5 volte più spesso legate a capacità come empatia, giudizio e creatività.

È un dato che ridimensiona l’idea di una formazione AI tutta tecnica. Certo, servono competenze su dati, modelli, sicurezza, automazione e governance. Ma serve anche allenare il pensiero critico. Un output AI può essere ben scritto e sbagliato. Può essere coerente e non verificato. Può essere convincente e inadatto al contesto aziendale. Può essere efficiente, ma inaccettabile dal punto di vista etico, legale o reputazionale.

La competenza più importante, in molti ruoli, diventa la capacità di lavorare con l’AI senza cederle il giudizio professionale. Questo vale per un recruiter che analizza profili, per un marketer che costruisce contenuti, per un legale che sintetizza documenti, per un analyst che produce scenari, per un manager che prepara decisioni.

Il World Economic Forum, nel Future of Jobs Report 2025, inserisce il pensiero analitico tra le competenze centrali per il lavoro dei prossimi anni e segnala lo skill gap come uno dei principali ostacoli alla trasformazione aziendale. È una conferma ulteriore: la sfida AI non riguarda soltanto imparare nuovi strumenti, ma sviluppare capacità di lettura, adattamento e decisione.

Governance e responsabilità non possono arrivare alla fine

Molti progetti AI partono dal valore atteso: risparmio di tempo, riduzione dei costi, personalizzazione, velocità, maggiore qualità del servizio. La governance entra spesso dopo, quando il caso d’uso è già stato scelto, il fornitore è in trattativa o il pilota è in corso.

È un ordine rischioso. Ogni sistema AI crea responsabilità su dati, decisioni, monitoraggio, documentazione, fornitori, sicurezza e impatti sugli utenti. Se questi aspetti vengono trattati come controlli successivi, l’azienda rischia di scoprire troppo tardi che mancano evidenze, ruoli decisionali, criteri di escalation o metriche di qualità.

Il tema è emerso anche nel lavoro sulla mappa delle competenze AI: governance e assurance dovrebbero essere progettate “by design”, con controlli e responsabilità inseriti già nel modo in cui sistemi e cambiamenti vengono pensati. La governance comprende policy, ruoli decisionali, risk assessment, criteri di approvazione, monitoraggio, gestione degli incidenti, documentazione e rapporti con i fornitori. L’assurance verifica se questi elementi funzionano davvero.

Questa impostazione porta dentro i progetti AI figure spesso coinvolte troppo tardi: internal audit, data protection officer, procurement, legal, security, communication, service owner, business process owner. Non sono comparse burocratiche. Sono ruoli che proteggono l’azienda da rischi concreti.

Il procurement, per esempio, deve valutare un fornitore AI con criteri diversi da quelli usati per un software tradizionale: uso dei dati, localizzazione, logging, explainability, aggiornamento dei modelli, subfornitori, possibilità di audit, exit strategy. Senza una competenza minima su questi aspetti, l’azienda può acquistare soluzioni difficili da controllare.

Anche la comunicazione interna conta. Se l’AI viene raccontata solo come leva di efficienza, cresce la diffidenza. Se viene introdotta senza spiegare cosa cambia, cosa resta in capo alle persone e quali controlli esistono, aumentano usi nascosti, resistenze e interpretazioni difensive. Una buona formazione include anche il linguaggio con cui l’azienda spiega l’AI ai propri dipendenti.

L’Italia parte dal nodo delle competenze interne

Nel mercato italiano, il tema delle skill appare particolarmente evidente. Confindustria segnala che il 37,61% delle aziende indica la mancanza di competenze interne come principale ostacolo alla piena integrazione dell’AI. A questo si aggiungono complessità tecnica di integrazione e costi ancora elevati.

È un dato importante perché sposta la discussione dal “quando compriamo l’AI” al “chi la sa usare, integrare e governare”. Molte imprese italiane hanno processi stratificati, sistemi legacy, dati distribuiti in silos, competenze digitali disomogenee tra funzioni. In questo scenario, una piattaforma AI non risolve da sola i problemi. Può persino renderli più visibili.

Un assistente AI nel customer care funziona male se la knowledge base è obsoleta. Un sistema di forecasting produce risultati fragili se i dati di vendita sono incompleti. Un tool per HR può introdurre bias se i dati storici riflettono decisioni già distorte. Un copilota per la produttività aiuta poco se le persone non sanno quali informazioni possono condividere e quali devono restare fuori.

La formazione, quindi, deve lavorare anche sulla qualità dell’organizzazione. Non si limita a insegnare funzioni. Aiuta a far emergere colli di bottiglia: dati non governati, responsabilità confuse, processi non documentati, metriche deboli, ruoli esclusi dalle decisioni.

Per questo HR dovrebbe essere presente fin dall’inizio nei programmi AI. Non come funzione chiamata a valle per organizzare corsi, ma come partner nella lettura dei ruoli, delle competenze disponibili, dei gap, dei percorsi di mobilità interna e dei cambiamenti nel lavoro.

Come progettare una formazione AI che serve davvero

Un piano formativo efficace parte dai casi d’uso. Customer service, marketing, recruiting, finance, supply chain, sviluppo software, procurement, compliance documentale, cybersecurity. Ogni processo va letto in termini di attività, dati, decisioni, rischi e impatti.

Il primo passaggio è identificare dove l’AI è già presente o sta per entrare. Spesso l’uso informale precede quello ufficiale: dipendenti che usano strumenti generativi per scrivere testi, riassumere report, preparare presentazioni, analizzare fogli di calcolo. Questo uso va compreso, non solo vietato o tollerato.

Il secondo passaggio è distinguere se l’AI automatizza, assiste o aumenta. Automatizzare significa delegare una fase. Assistere significa fornire suggerimenti o analisi a una persona. Aumentare significa espandere la capacità professionale mantenendo la responsabilità sul ruolo umano. La differenza è sostanziale. Cambiano formazione, controlli e livello di rischio.

Il terzo passaggio è mappare gli attori: chi fornisce i dati, chi configura il sistema, chi valida i risultati, chi approva il rilascio, chi forma gli utenti, chi monitora performance, chi gestisce incidenti, chi verifica conformità e qualità, chi decide aggiornamento, sospensione o ritiro della soluzione.

Il quarto passaggio è progettare percorsi diversi. Una popolazione ampia può ricevere AI literacy di base: policy, dati sensibili, limiti degli output, verifica, uso responsabile. I team di dominio hanno bisogno di laboratori applicativi su casi reali. I profili tecnici richiedono formazione su dati, modelli, integrazione, sicurezza e MLOps. Governance, legal, audit e procurement devono lavorare su controlli, fornitori, evidenze, policy e rischio.

Il quinto passaggio riguarda la misurazione. Un percorso AI non dovrebbe essere valutato solo su completamento e gradimento. Servono indicatori collegati al lavoro: riduzione di errori, qualità degli output, tempi di processo, riuso di casi d’uso validati, incidenti evitati, adozione responsabile, feedback degli utenti, audit findings, valore generato.

Qui la formazione incontra la workforce intelligence. HR può usare la mappa delle competenze per capire quali skill mancano, quali persone possono essere riqualificate, quali ruoli vanno ridisegnati, quali profili assumere e quali manager devono essere coinvolti per primi.

Molti programmi AI cercano sponsor nella leadership. È necessario, ma non sufficiente. I manager intermedi hanno un compito più difficile: tradurre la strategia in pratiche di lavoro.

Sono loro a decidere se un team ha tempo per sperimentare, se gli errori diventano apprendimento, se l’AI viene usata in modo trasparente, se un output va verificato, se un processo deve cambiare, se una metrica va aggiornata. Sono loro a capire quando una persona sta usando bene l’AI e quando sta solo delegando senza controllo.

MIT Sloan Management Review, nella raccolta di insight su leadership e AI per il 2025, insiste proprio sul ruolo di cultura, governance, partnership e uso responsabile della GenAI. La tecnologia entra nei comportamenti aziendali solo quando viene sostenuta da norme chiare e da leadership capaci di modellare il cambiamento.

Formare i manager significa prepararli a domande molto pratiche.

Quali attività del team possono essere assistite dall’AI? Quali non vanno automatizzate? Quali output devono essere verificati da un secondo livello? Quali dati possono essere usati? Quali metriche cambiano? Come si valuta la performance quando una parte del lavoro viene accelerata da strumenti AI?

C’è anche un tema di equità interna. Se alcuni dipendenti usano l’AI in modo avanzato e altri restano esclusi, i risultati individuali possono diventare difficili da confrontare. Se l’azienda non stabilisce criteri comuni, la valutazione della performance rischia di premiare chi ha avuto più accesso, più tempo o più supporto informale.

La formazione dei manager serve a evitare che l’AI diventi un terreno disordinato, dove ogni team decide da sé. Una certa libertà di sperimentazione è utile. Ma nei processi rilevanti servono standard comuni.

Comprare meno tool, scegliere meglio i casi d’uso

Una parte della delusione sul ROI nasce dalla dispersione. Troppe iniziative piccole, troppi strumenti, troppe sperimentazioni scollegate, pochi casi d’uso collegati a problemi reali. L’AI diventa una collezione di prove, demo, licenze e promesse.

Il primo criterio dovrebbe essere il valore del processo, non il fascino della tecnologia. Dove si concentrano tempi lunghi, errori frequenti, costi elevati, colli di bottiglia, bassa qualità informativa, lavoro ripetitivo o decisioni complesse? Dove l’AI può assistere senza creare rischi sproporzionati? Dove esistono dati sufficienti? Dove i manager sono pronti a cambiare il processo?

Questo porta a scelte più selettive. Un’azienda può decidere di partire dal customer care perché ha volumi elevati e knowledge base migliorabili. Oppure dal marketing, se vuole accelerare ricerca, segmentazione e produzione controllata dei contenuti. Oppure dallo sviluppo software, se ha team già maturi su coding assistito e test. Oppure dal procurement, se vuole migliorare analisi documentale e valutazione fornitori.

In ogni caso, il software arriva dentro un disegno più ampio. Deve esserci un owner. Devono esserci criteri di qualità. Devono esserci persone formate. Devono esserci controlli. Devono esserci metriche di impatto.

Questa è la differenza tra acquistare AI e costruire una capability AI. Nel primo caso, l’azienda compra strumenti. Nel secondo, costruisce capacità trasferibili: capire i casi d’uso, leggere i dati, valutare output, governare rischi, ridisegnare ruoli, misurare risultati.

La formazione AI come infrastruttura aziendale

La formazione sull’AI viene spesso trattata come un’iniziativa di aggiornamento. In realtà somiglia di più a un’infrastruttura. Deve essere mantenuta, aggiornata, collegata ai processi, ai ruoli e alle decisioni.

I modelli cambiano. Le interfacce migliorano. I fornitori evolvono. Le normative si precisano. Alcuni casi d’uso maturano, altri vengono abbandonati. Le competenze, però, seguono una traiettoria più osservabile: saper decidere, controllare, progettare, integrare, monitorare, correggere, spiegare.

Per questo la mappa delle competenze deve restare viva. Va aggiornata quando entrano nuovi casi d’uso, quando cambia il livello di automazione, quando un sistema passa da pilota a produzione, quando emergono incidenti, audit findings o nuove policy. Un piano formativo fermo a una fotografia iniziale diventa presto insufficiente.

Anche il linguaggio interno va aggiornato. HR, IT, data, security, legal, compliance, operations e business devono poter discutere usando una grammatica comune: skill, livelli, evidenze, responsabilità. È molto più utile della generica “competenza AI”, perché permette di capire chi deve fare cosa e quali capacità mancano davvero.

In questo senso, formare le persone è più importante che comprare nuovi software perché la formazione costruisce ciò che resta quando il software cambia. Resta la capacità di formulare buone domande. Resta il giudizio sugli output. Resta la consapevolezza dei rischi. Resta la competenza nel ridisegnare processi. Resta la capacità di governare il rapporto tra automazione e responsabilità umana.

L’AI può aumentare produttività, qualità e velocità. Ma il suo valore dipende dal lavoro che l’azienda fa sulle persone: competenze, fiducia, ruoli, manager, governance, misurazione. La tecnologia si compra. L’adozione si costruisce.

Ed è proprio qui che HR e formazione possono incidere di più: trasformare l’AI da collezione di strumenti a capacità organizzativa. Non un corso uguale per tutti, non una licenza in più sulla scrivania digitale, ma un modo più maturo di leggere il lavoro che cambia.