AI in azienda, perché serve una cultura centrata sulle persone

L’adozione dell’AI generativa viene spesso letta come una gara tra modelli, benchmark e nuove release. Nei contesti organizzativi, però, il punto di rottura tende a emergere altrove: la cultura AI che rende l’AI sostenibile nel quotidiano e il modo in cui si governa l’impatto su ruoli, processi e aspettative.

I fondamenti di una cultura AI centrata sull’essere umano

In Italia i numeri fotografano un mercato in accelerazione, ma anche una distanza tra sperimentazione e messa a regime: secondo i dati degli Osservatori del Politecnico di Milano, nel 2025 il mercato AI cresce del +50% fino a 1,8 miliardi di euro e la Generative AI aumenta del +60%, arrivando a rappresentare il 46% del valore complessivo; allo stesso tempo, solo l’8% delle PMI dichiara progetti AI attivi, nonostante il 69% si dica interessato.

Questa asimmetria è coerente con quanto misurato dall’ISTAT sulle imprese con almeno 10 addetti: nel 2024 utilizzava tecnologie di AI l’8,2% delle imprese. È un quadro che spinge a trattare l’adozione come change e non come semplice rollout tecnologico, portando i principi di una human centered AI dentro governance, formazione e metriche.

Promuovere una cultura dell’innovazione

Da questo scenario discende un punto chiave: la cultura AI non è un insieme di slogan, ma un sistema di decisioni ripetibili che orienta come l’AI entra nei processi e chi viene messo nelle condizioni di usarla.

In questo passaggio, i dati di adozione si intrecciano con l’organizzazione dell’offerta e con la struttura dei casi d’uso. Nel 2025 la domanda si concentra soprattutto su Text Analysis, Classification & Generation Systems(39%), seguiti da Data Exploration, Prediction & Optimization Systems(30%) e da Image, Audio, Video Analysis & Generation Systems(16%). Parallelamente, l’offerta resta ancora prevalentemente custom (77%), pur mostrando una tendenza verso modelli più standardizzati basati su servizi e licenze software. Ne deriva che l’innovazione non è solo una scelta di tool, ma una scelta di operating model e di priorità.

Le prime iniziative nelle grandi organizzazioni si concentrano su Customer Service, Production & Operations e ICT, con chatbot conversazionali e Intelligent Document Processing tra i casi d’uso più frequenti. In concreto, promuovere una cultura di innovazione compatibile con un approccio AI human centric significa legare l’ideazione a criteri chiari di fattibilità e impatto, e rendere esplicite anche le scelte di esclusione: la pratica dell’“anti-strategia”, cioè chiarire quali aree non saranno trasformate dall’AI nel breve periodo, riduce l’ambiguità sui cambiamenti attesi e crea spazio per l’apprendimento senza sovraccarico.

Indicatori chiave del mercato e dell’adozione dell’AI in Italia.

Strumenti di audit per misurare il tasso di adozione

Se l’innovazione va resa ripetibile, il passaggio successivo è renderla misurabile. Qui l’audit diventa lo strumento che collega l’adozione dell’AI ai segnali che contano davvero: continuità d’uso, accettazione, impatto sui processi e qualità degli output. Una roadmap in quattro fasi, usata nei programmi di trasformazione organizzativa, mette in sequenza attività concrete: valutare l’impatto sulla forza lavoro, pianificare il change management, educare e preparare, monitorare e adattare. L’obiettivo è trattare la cultura AI come un programma governato nel tempo, non come una campagna una tantum.

Nella pratica, l’audit interno tiene insieme due piani. Il primo è organizzativo: rivedere i ruoli, costruire campagne di awareness e definire un piano iniziale che renda esplicite dipendenze e rischi. Il secondo è operativo: identificare AI champion e osservare in modo continuativo la preparazione e l’accettazione dell’AI da parte dei dipendenti. In assenza di questo secondo livello, la scalabilità tende a essere fragile, perché l’adozione resta appesa a singoli team o a singoli sponsor.

Un punto ricorrente è la difficoltà di misurare il valore delle licenze GenAI ready-to-use. Nel 2025, tra le grandi imprese italiane con iniziative AI, l’84% dichiara di aver acquistato licenze GenAI pronte all’uso (tra gli strumenti più diffusi compaiono Microsoft Copilot, ChatGPT Plus e Gemini Advanced), ma solo circa la metà prova a misurarne i benefici e lo fa soprattutto tramite employee feedback. L’audit, quindi, ha anche una funzione di controllo manageriale: trasformare feedback e percezioni in indicatori confrontabili nel tempo.

• Readiness e literacy: copertura dei programmi di AI literacy e livello di preparazione per ruolo, distinguendo tra uso occasionale e integrazione nei workflow.
• Adozione e continuità: frequenza d’uso per funzione e per processo, separando sperimentazione individuale e utilizzo in produzione.
• Accettazione e rischio umano: segnali di fiducia e resistenze, inclusi indicatori di AI fatigue e qualità della comunicazione sui cambiamenti.

In questo quadro, la governance pesa quanto la misurazione. Nel 2025 solo il 9% delle grandi imprese dichiara una governance AI integrata e matura: un dato che aiuta a spiegare perché spesso l’adozione cresce più velocemente delle regole che dovrebbero renderla stabile. Una governance essenziale può partire da un principio semplice: ogni iniziativa deve avere un owner, un perimetro e una metrica di successo, con un ciclo di revisione che consenta di correggere rapidamente direzione e aspettative.

Attivare strategie HR per favorire un approccio human centric all’AI

Con principi e audit impostati, la trasformazione entra nel territorio più delicato: le persone. Un approccio human centered AI richiede che HR e leadership trattino l’AI come un cambiamento che modifica competenze, carichi di lavoro e aspettative di carriera. In assenza di una gestione esplicita, il rischio non è solo la resistenza, ma la perdita di valore: quando l’adozione non diventa abitudine, l’investimento resta confinato a trial e licenze sottoutilizzate.

Programmi di upskilling per facilitare la transizione tecnologica

Questo vale in modo particolare nei contesti di GenAI “a consumo”, dove l’uso tende a scalare rapidamente dentro processi ripetuti. Una cultura AI che funziona, quindi, è anche una cultura di disciplina: percorsi di literacy differenziati, comunicazioni chiare sui cambiamenti, e regole che impediscano che l’innovazione diventi sovraccarico organizzativo.

La prima leva HR è l’upskilling, inteso come preparazione mirata a seconda di ruoli e livelli di esposizione all’AI. Nei programmi di change management focalizzati sull’elemento umano, la formazione non è solo trasferimento di competenze, ma un intervento per ridurre ansia e incertezza. È in questo spazio che prende forma il tema dell’AI fatigue, definita come l’insieme di reazioni negative dei dipendenti — apatia, burnout, frustrazione — legate a cambiamenti guidati dall’AI su ruoli e processi, spesso alimentate da timori sulla sicurezza del lavoro.

Le previsioni sono esplicite: entro il 2028 oltre il 50% delle aziende globali indicherà la AI fatigue come principale ostacolo al raggiungimento del ROI atteso dagli investimenti in AI. E, quando change management e formazione vengono trascurati, il rischio è anche sociale oltre che operativo: si associa un turnover del 30% più alto tra i dipendenti più giovani e remoti.

Per prevenire questo scenario, una pratica adottata nei percorsi AI human centric è la creazione di un team di change management AI interfunzionale, con HR, esperti di business, specialisti tecnologici e leadership. Il team lavora su roadmap, adozione personalizzata e sviluppo di competenze future-ready, mantenendo coerenza tra obiettivi di processo e impatto sulle persone. A livello formativo, la segmentazione per profilo diventa essenziale: percorsi diversi per generalisti, profili in evoluzione e specialisti, così da evitare che la stessa iniziativa sia troppo complessa per alcuni e troppo basica per altri.

Nei programmi basati su apprendimento sociale, l’esperienza pratica viene resa esplicita attraverso workshop e attività interattive, fino a esercizi di team che simulano l’uso di strumenti GenAI su casi concreti. Accanto a questo, si inserisce un filone spesso decisivo per la fiducia: i workshop sui fallimenti dell’AI, progettati per chiarire rischi come bias, allucinazioni, uso improprio e violazioni di sicurezza, definendo obiettivi, modalità di rilevamento e risposte operative. In contesti di mercato, iniziative di questo tipo vengono associate a un aumento della fiducia interna, a una riduzione dei sintomi di AI fatigue e a tassi di adozione più stabili nel tempo.

Misurare l’efficacia dell’implementazione dell’AI

Quando l’upskilling è attivo, l’ultimo passaggio è misurare se l’implementazione produce risultati coerenti e sostenibili. Qui torna utile la logica “monitorare e adattare” della roadmap: identificare segnali precoci, intervenire sui punti di frizione e aggiornare periodicamente il piano. In una prospettiva di cultura AI, l’efficacia non coincide con il numero di iniziative avviate, ma con la loro capacità di restare in produzione senza aumentare i costi di coordinamento e controllo.

La misurazione serve anche a distinguere tra adozione superficiale e cambiamento reale. Nel 2025, tra le grandi imprese italiane, le principali barriere restano la percezione di processi inadeguati, competenze limitate e compliance normativa. Indicatori di efficacia devono quindi catturare sia il miglioramento di processo sia il grado di autonomia delle persone, perché senza autonomia la pressione ricade sui team di controllo e riduce il ROI.

Tabella di controllo per la misurazione dell’efficacia dell’AI.

Un approccio orientato al mercato, come quello adottato nei programmi di transizione AI promossi dal team di Mario Maschio, tende a unire queste metriche in dashboard essenziali, con revisioni periodiche che permettono di correggere rapidamente formazione, comunicazione e priorità dei casi d’uso. In questo modo l’implementazione resta coerente con l’obiettivo di una human centered AI: aumentare capacità operative senza trasformare l’innovazione in un fattore di incertezza organizzativa.