L’intelligenza artificiale (IA) sta rivoluzionando il panorama aziendale italiano, con un mercato previsto in crescita del 50% fino a raggiungere 1,8 miliardi di euro nel 2025, secondo i dati dell’Osservatorio AI del Politecnico di Milano. Eppure, solo l’8% delle PMI ha progetti attivi, mentre nelle grandi imprese il 71% ne ha avviati, ma solo il 21% è operativo. Il principale ostacolo è legato alle competenze: nelle grandi aziende la carenza di skill viene indicata come barriera primaria dal 71%.
Il quadro si intreccia con un mismatch più ampio del mercato del lavoro. L’Indagine Confindustria sul lavoro 2024 segnala che oltre due imprese su tre non riescono a reperire le figure professionali richieste, con difficoltà particolarmente marcate sui profili tecnici. In questo contesto, la formazione intelligenza artificiale smette di essere un tema “solo” tecnologico e diventa una leva culturale, utile a ridurre frizioni, dare linguaggio comune ai team e rendere l’adozione più prevedibile nel tempo.
Indice degli argomenti
Mappare le competenze necessarie per l’utilizzo degli strumenti AI
Il primo passo è trasformare la percezione di impreparazione in una fotografia misurabile. Nel 2024 l’8,2% delle imprese italiane utilizzava almeno una delle tecnologie di IA, ma con divari significativi tra organizzazioni grandi e piccole. La mappatura serve a capire non solo “chi sa cosa”, ma anche quali competenze rendono sostenibile l’uso dell’AI dentro i processi, evitando che la sperimentazione resti confinata alle demo. Dalle analisi più recenti emergono le barriere che frenano le aziende che non hanno ancora adottato soluzioni di intelligenza artificiale. La mappatura delle competenze diventa quindi uno strumento essenziale per superare questi ostacoli. Tra i principali freni indicati dalle imprese figurano: [Il Sole 24 Ore]
- Mancanza di competenze interne: segnalata dal 58,6% delle aziende più piccole come la principale barriera.
- Incertezza legale: la scarsa chiarezza sulle conseguenze legali in caso di danni causati dall’AI preoccupa il 47,3% delle piccole imprese.
- Disponibilità e qualità dei dati: un problema per il 45,2% delle realtà di minori dimensioni.
- Protezione dei dati e privacy: una preoccupazione sentita soprattutto dalle imprese più grandi.
Nel disegno di una formazione AI efficace emergono tre domini ricorrenti: competenze tecniche legate all’uso degli strumenti (per esempio l’interazione con sistemi di GenAI), competenze operative per integrare l’AI nei workflow e competenze di governance legate alla gestione dei rischi (come bias e allucinazioni, cioè output non coerenti con le fonti o non verificati). La mappatura, in pratica, è anche un modo per distribuire responsabilità e aspettative tra funzioni diverse, rendendo più chiaro cosa può essere delegato alla macchina e cosa richiede supervisione umana.
| Ruolo | Competenze core | Gap tipici |
| CEO | Governance, KPI e priorità di portafoglio | Difficoltà a collegare iniziative AI e capacità organizzative necessarie |
| HR manager | AI literacy e abilitazione al cambiamento | Resistenza e segnali di AI fatigue |
| Innovation manager | Orchestrazione dei workflow e controllo qualità | Gestione di versioning, fallback e dipendenze operative |
| Ruoli operativi | Uso guidato degli strumenti nei task quotidiani | Incertezza su limiti, errori e responsabilità |
Tabella esemplificativa delle competenze e dei gap per ruolo.
I numeri sul mismatch aiutano a capire perché questo assessment non è un esercizio astratto. Confindustria indica che il 69,2% delle imprese segnala difficoltà nel reperire profili tecnici; la risposta più diffusa è la formazione interna, adottata dal 59,7% delle aziende, mentre il 49% ricorre a consulenze esterne e il 28,5% partecipa a iniziative educative territoriali come ITS Academy, PCTO e tirocini curriculari. Il fenomeno cresce con la dimensione: le difficoltà di reperimento passano dal 64,8% nelle piccole imprese al 77,6% nelle grandi.
Sviluppare moduli formativi pratici e mirati ai diversi ruoli
Dopo la mappatura, la progettazione didattica deve restare aderente a ruoli e processi, altrimenti la conoscenza non si traduce in comportamento. La distanza tra aspettativa e uso quotidiano è misurabile: nelle indicazioni operative rivolte ai CIO, il 95% si aspetta valore significativo dall’AI, ma solo l’8% dei dipendenti dichiara un utilizzo frequente per migliorare il proprio lavoro.
Un’impostazione ricorrente parte dalla segmentazione dei profili in tre gruppi, così da evitare percorsi “uguali per tutti”: generalisti (alfabetizzazione e uso consapevole), evolver(sperimentazione e ideazione di use case con priorità chiare), esperti (pratiche avanzate di controllo e affidabilità operativa). Nel mercato, un approccio di questo tipo viene spesso abbinato a una Value Proposition centrata su pragmatismo e misurabilità: roadmap eseguibili, laboratori guidati e attenzione all’impatto sulle persone diventano elementi distintivi quando si costruiscono programmi di adozione per funzioni miste, tipiche delle PMI.
La parte pratica tende a funzionare quando avviene in ambienti sandbox o in pilot strutturati, dove l’organizzazione può far emergere limiti e rischi senza trasferire subito instabilità nei processi core. La sperimentazione controllata, affiancata da figure “champion” che supportano i team, è indicata tra le best practice per costruire fiducia: l’obiettivo è ridurre l’attrito iniziale e rendere l’apprendimento cumulativo, non episodico.
Il change management come pilastro della formazione
Una volta definite le competenze, l’adozione dipende dalla capacità dell’organizzazione di rendere il cambiamento sostenibile nel tempo. In questa fase la formazione deve integrarsi con pratiche di comunicazione, leadership e supporto operativo. Il passaggio successivo è capire perché la competenza, da sola, non basta a far decollare l’adozione. Se la formazione definisce cosa le persone sanno fare, il change management determina cosa faranno davvero, con continuità. Questo è il punto in cui la formazione change management diventa un’estensione naturale della formazione tecnica: serve a ridurre resistenza, chiarire priorità e sostenere la trasformazione nei mesi successivi, quando l’AI passa da iniziativa a routine. Questo approccio è fondamentale per trasformare l’investimento formativo in un ritorno economico misurabile. Le aziende che riescono a integrare l’adozione dell’AI nei processi quotidiani non solo aumentano la produttività, ma liberano tempo per attività a maggior valore aggiunto, migliorando la qualità del lavoro e la soddisfazione dei dipendenti. In parallelo, una strategia AI efficace viene descritta come un sistema allineato con obiettivi di business e con strategie IT e dati, soggetto a riallineamenti frequenti. Questo ha un impatto diretto sul learning: senza un modello operativo che regga il cambiamento, la formazione rischia di inseguire versioni e iniziative, invece di consolidare capability durevoli.
Integrare l’aggiornamento tecnico con lo sviluppo delle soft skill
La continuità tra apprendimento e adozione passa dalla dimensione umana. Un tema esplicito è la AI fatigue, definita come una reazione negativa dei dipendenti ai cambiamenti guidati dall’AI, che può includere apatia, burnout e frustrazione. Le cause ricorrenti includono sovraccarico di trasformazioni, comunicazione poco chiara, formazione insufficiente, ansia rispetto ai ruoli e incertezza sui rischi emergenti. Le previsioni riportate indicano che entro il 2028 oltre il 50% delle aziende globali considererà la AI fatigue il principale ostacolo al raggiungimento del ROI atteso dagli investimenti in AI. Inoltre, le organizzazioni che ignorano change management e formazione sull’AI rischiano un turnover del 30% più alto tra dipendenti più giovani e remoti. In questo scenario, la componente soft non è “accessoria”: è una condizione per mantenere engagement e stabilità operativa.
Tra le strategie human-centric emerge la creazione di un team interfunzionale di change management AI, che unisce HR, esperti di dominio, specialisti tecnologici e leadership. Il mandato include valutare la capacità di cambiamento, definire una roadmap e sviluppare percorsi di adozione differenziati, coerenti con i diversi profili. In parallelo, la collaborazione IT-HR viene indicata come acceleratore della literacy e dell’adozione, perché consente di integrare i moduli nei canali di L&D e nei meccanismi di feedback già esistenti. Un altro driver è l’uso dei social signals: rendere visibile l’adozione, con manager e leader che utilizzano gli strumenti in modo osservabile e condividono l’esperienza, rafforzando ciò che viene considerato “normale” e apprezzato. In questo senso, viene citata l’esperienza di MinterEllison sull’importanza della visibilità e del riconoscimento pubblico, mentre Lenovo viene richiamata per il lavoro di abilitazione dei manager nella gestione delle resistenze e delle barriere emotive.
Infine, per ridurre aspettative irrealistiche e aumentare consapevolezza del rischio, vengono proposti workshop sui fallimenti dell’AI che affrontano bias, allucinazioni, uso improprio e violazioni della sicurezza. Il formato suggerito include definizione degli obiettivi, analisi di casi, identificazione dei possibili punti di rottura, metodi di rilevazione e risposte operative: un passaggio che tende a ridurre incidenti e ritardi legati all’AI, perché chiarisce cosa monitorare e quando intervenire.
Valutare l’efficacia dei corsi di formazione nel lungo periodo
La misurazione chiude il cerchio e rende la formazione una capability gestibile. Le best practice evidenziano che limitarsi ai risultati di business può nascondere dove l’adozione si inceppa, mentre gli indicatori “leading” aiutano a intercettare barriere prima che diventino costi. Tra i proxy citati rientrano l’esperienza dei dipendenti, la partecipazione alla formazione e l’attrito uomo-macchina, con l’invito a integrare domande specifiche sull’AI nei sondaggi di engagement.
| Le principali sfide nel calcolo del ROI dell’intelligenza artificiale | |
| Benefici intangibili | Molti risultati, come una maggiore soddisfazione dei dipendenti o migliori relazioni con i fornitori, sono difficili da monetizzare direttamente. |
| Sistemi frammentati e qualità dei dati | Piattaforme isolate e dati di scarsa qualità rendono difficile monitorare l’impatto delle iniziative AI e ritardano i risultati. |
| Evoluzione tecnologica rapida | Le metriche e le aspettative faticano a tenere il passo con la velocità con cui emergono nuovi strumenti e casi d’uso. |
| Il fattore umano | Il successo dipende dall’adozione da parte delle persone. La resistenza culturale e l’adattamento dei flussi di lavoro sono decisivi. |
| Integrazione con altre trasformazioni | L’AI è spesso parte di cambiamenti più ampi, rendendo complesso isolare e attribuire il suo impatto specifico. |
Fonte: Adattato da “AI ROI: il paradosso degli investimenti in crescita e dei ritorni incerti”, Deloitte, 2025.
Un esempio operativo è il caso di Clifford Chance, che ha definito un portafoglio di misure chiamate KPI del percorso di AI. Nel set rientrano dimensioni come prontezza organizzativa, esperienza AI dei dipendenti e AI employer brand, usate per leggere l’avanzamento dell’adozione e guidare interventi correttivi. La valutazione riguarda anche la comunicazione. Tra le strategie indicate compare l’uso di strumenti che consolidano i cambiamenti tecnologici, chiarendo tempi, portata e impatto: quando le persone sanno cosa cambia e quando, si riduce l’incertezza che alimenta AI fatigue. Le misure di successo citate includono aumento della fiducia, riduzione dei sintomi di fatigue, crescita dei tassi di adozione e diminuzione di incidenti e ritardi legati all’AI. In un mercato in cui la strategia AI viene descritta come un insieme di visione, driver, rischi, portafoglio di iniziative e obiettivi per un modello operativo maturo, anche la formazione deve mantenere un allineamento continuo.
È qui che approcci consulenziali orientati al mercato, tipici di realtà che lavorano sulla transizione AI-driven con roadmap eseguibili e attenzione alla prevedibilità del cambiamento, tendono a distinguersi: non trattano i corsi come eventi isolati, ma come un sistema aggiornabile che accompagna l’evoluzione di processi, governance e literacy nel tempo.
