L’intelligenza artificiale è oggi, per molte imprese e professionisti, una fonte di ansia e incertezza. L’IA generativa sa spiegare un modello strategico, suggerire un piano di investimento, commentare un bilancio, scrivere codice informatico e individuare errori in un programma, con tempi e modalità fino a poco tempo fa impensabili. La progressiva diffusione dell’IA agentica, attraverso sistemi capaci non soltanto di elaborare informazioni, ma anche di pianificare ed eseguire attività con diversi gradi di autonomia, amplia ulteriormente la portata di questa trasformazione.
Ma come devono cambiare i percorsi formativi per preparare i manager e i professionisti ad alta specializzazione del futuro e aggiornare le competenze di quelli già in attività? E come sviluppare il pensiero critico, la visione strategica e l’autonomia di giudizio in un contesto nel quale l’IA può svolgere una parte crescente delle attività tradizionalmente affidate alle persone?
La risposta richiede di ripensare non soltanto i contenuti della formazione, ma anche le modalità attraverso cui si apprende. In questo contesto, i Business Game, ovvero Serious Game da tempo utilizzati nella formazione manageriale avanzata, rappresentano un’opportunità particolarmente interessante. La loro integrazione con l’IA generativa e agentica può arricchire gli scenari di simulazione, rendere più realistiche e dinamiche le interazioni e ampliare le occasioni di sperimentazione e confronto. Soprattutto, può contribuire a creare ambienti di apprendimento nei quali futuri professionisti e persone già operative siano chiamati a interpretare situazioni complesse, assumere decisioni, valutarne le conseguenze e sviluppare le competenze necessarie per lavorare efficacemente con l’IA, senza delegarle il proprio giudizio e la responsabilità delle scelte.
Indice degli argomenti
L’IA rivoluziona il lavoro a ritmi vertiginosi. La formazione è pronta?
Secondo il Future of Jobs Report del World Economic Forum[1], entro il 2030 il 39% delle competenze dei lavoratori cambierà o diventerà obsoleto: una stima basata sulle aspettative dei datori di lavoro, che evidenzia la portata della trasformazione in atto. Nel 2026, il rapporto Artificial Intelligence and the Future of Entry-Level Work[2] rileva che il 37% dei giovani lavoratori nel mondo occupa ruoli mediamente o fortemente esposti all’IA, sollevando una questione cruciale: come si formeranno gli specialisti e i manager di domani se l’IA assumerà una parte crescente delle attività attraverso cui oggi si acquisisce esperienza?
Il white paper Four Futures for Jobs in the New Economy: AI and Talent in 2030 delinea quattro possibili scenari in relazione al progresso della IA e preparazione della forza lavoro: dal progresso accelerato (Supercharged Progress) alla sostituzione di attività e ruoli (The Age of Displacement), dalla collaborazione uomo-IA (Co-Pilot Economy) fino alla stagnazione (Stalled Progress)[3].
Scenari diversi che convergono su una stessa esigenza formativa: ripensare modelli e strumenti, tanto per preparare i professionisti del futuro quanto per accompagnare l’evoluzione delle competenze di chi già opera nelle organizzazioni.
Ripensare la formazione nell’era dell’IA per i professionisti di oggi e di domani
I tre rapporti del World Economic Forum indicano l’urgenza di intervenire su percorsi professionali e preparazione al cambiamento. Pensiero critico, visione strategica e autonomia di giudizio diventeranno competenze sempre più essenziali. Per svilupparle, gli attori chiave della formazione – università, business school e organizzazioni pubbliche e private – sono già impegnati nell’aggiornamento dei propri modelli e strumenti formativi, ma dovranno continuare a ripensarli e innovarli con crescente rapidità, per rispondere alle sfide di un’intelligenza artificiale in continua evoluzione.
Per gli studenti – i futuri manager, professionisti e specialisti – non basta aggiungere un modulo didattico sull’uso dei chatbot a programmi formativi sostanzialmente invariati. Occorre ripensare le esperienze attraverso cui si acquisiscono competenze, metodi di analisi e capacità di assumersi la responsabilità delle proprie scelte: affrontare problemi complessi con informazioni incomplete, valutare vincoli economici e tecnici, interpretare dati e confrontarsi con prospettive differenti. Se l’IA automatizza alcune delle attività attraverso cui tradizionalmente si costruiva l’esperienza professionale, diventa necessario progettare nuove occasioni di apprendimento e sperimentazione. Senza sostituire le conoscenze economiche e tecnico-disciplinari di base, i laboratori, i business game, e i percorsi di affiancamento rappresentano contesti formativi privilegiati per integrare l’IA, non soltanto come oggetto di apprendimento, ma anche come strumento capace di arricchire e trasformare profondamente l’esperienza formativa stessa.
Per chi opera già nelle organizzazioni, la sfida è aggiornare continuamente competenze e pratiche professionali mentre l’IA trasforma processi, strumenti e responsabilità. I manager devono imparare a individuare dove e come integrare l’IA, valutarne opportunità e rischi e definire adeguate forme di supervisione umana. I professionisti ad alta specializzazione devono invece sviluppare competenze per verificare la qualità dei dati e dei risultati, la sicurezza e l’affidabilità dei sistemi, soprattutto di quelli agentici, capaci di pianificare ed eseguire attività con diversi gradi di autonomia. Non bastano interventi formativi occasionali: occorrono esperienze di apprendimento continue, basate su situazioni realistiche e differenziate per ruolo, competenze e livelli di responsabilità, nelle quali sperimentare concretamente le nuove modalità di collaborazione tra persone e IA.
Per i giovani in formazione e per i professionisti già in attività, le simulazioni possono offrire l’opportunità di affrontare situazioni complesse, assumendo decisioni dapprima in autonomia e successivamente con il supporto dell’IA, per confrontare approcci, risultati e possibili errori. Per i primi rappresentano una palestra in cui sviluppare progressivamente il pensiero critico e l’autonomia di giudizio; per i professionisti esperti, un ambiente protetto nel quale sperimentare nuove modalità di lavoro e di collaborazione con l’IA, senza esporre l’organizzazione ai rischi della sperimentazione sul campo.
Formazione manageriale nell’era dell’IA: cosa perde valore e cosa diventa essenziale?
Per lungo tempo, la formazione è stata costruita intorno a una condizione semplice: il docente possedeva conoscenze che il discente non aveva e il processo formativo serviva a trasferirle. Lezione, studio individuale, esercitazione ed esame restano l’architettura di moltissimi percorsi universitari e manageriali. Ciò che l’IA cambia è la scarsità dell’informazione. Uno studente ottiene in pochi secondi la spiegazione di un concetto, il confronto tra teorie, una prima versione di un elaborato e indicazioni per migliorarla: risposte non sempre corrette, non sempre utili sul piano didattico, ma ottenute a un costo (anche cognitivo) praticamente nullo. Se l’accesso all’informazione e alla sua elaborazione smette di essere scarso, la domanda diventa dove si collochi il valore di un percorso formativo. Avere una risposta non significa avere una competenza. Un sistema generativo descrive come si costruisce un business plan o come si legge un conto economico, in una forma spesso molto convincente: nulla di tutto ciò garantisce che chi lo interroga sappia valutare se quella risposta regge nel suo contesto.
Nella pratica professionale, questa distinzione assume un’importanza particolare. Descrivere una decisione e prenderla sono attività differenti: prenderla richiede di interpretare informazioni incomplete, riconoscere quelle rilevanti, accettare compromessi e assumersi il rischio della scelta, quasi sempre insieme a persone con informazioni e obiettivi diversi dai propri.
Per questo, la conoscenza disciplinare resta una condizione necessaria, e l’IA la rende ancora più importante. Come ricorda la National Academies of Sciences, Engineering, and Medicine in How People Learn II[4], le conoscenze pregresse e la loro organizzazione influenzano il ragionamento e la possibilità di apprendere. Gli esperti si distinguono dagli inesperti per le strutture di conoscenza con cui interpretano i problemi, prima ancora che per la quantità di informazioni che possiedono. Senza quelle strutture, riconoscere che una risposta ben formulata è sbagliata diventa impossibile.
IA e apprendimento: quando ottenere risultati migliori non significa imparare di più
Esiste però un rischio meno evidente: l’IA può migliorare le prestazioni senza produrre un corrispondente miglioramento dell’apprendimento.
Un esperimento pubblicato su PNAS nel 2025[5] ha coinvolto quasi mille studenti di scuola secondaria in esercitazioni di matematica suddivisi in tre gruppi: il primo senza accesso all’IA, il secondo con un sistema simile a ChatGPT liberamente interrogabile e il terzo con un tutor basato sullo stesso modello, ma progettato per guidare il ragionamento senza fornire direttamente le soluzioni. Durante le esercitazioni, entrambi i gruppi assistiti dall’IA ottenevano risultati migliori. Tuttavia, nella successiva prova individuale senza assistenza, gli studenti che avevano utilizzato il sistema libero registravano prestazioni inferiori del 17% rispetto al primo gruppo. Il tutor pedagogico mitigava sostanzialmente questo effetto negativo, senza però produrre miglioramenti statisticamente significativi.
Pur riferendosi a uno specifico contesto scolastico, lo studio evidenzia una distinzione fondamentale anche per la formazione professionale: ottenere risultati migliori con l’IA non significa necessariamente sviluppare le competenze per conseguirli autonomamente.
Anche l’OECD Digital Education Outlook 2026[6] suggerisce che l’IA generativa sostiene l’apprendimento quando è guidata da principi didattici espliciti, mentre l’uso di strumenti generalisti migliora la qualità dell’output senza produrre reali learning gains. Il rapporto richiama esplicitamente il cognitive offloading e la riduzione dello sforzo metacognitivo.
Apprendimento esperienziale e formazione manageriale nell’era dell’AI
L’apprendimento esperienziale non nasce con l’intelligenza artificiale, ma probabilmente è il modello didattico migliore per integrare l’IA. Sappiamo da decenni che l’esperienza diventa formativa quando una persona agisce, osserva gli effetti delle proprie azioni, riflette su quanto è accaduto e modifica il proprio modo di interpretare il problema (Kolb, Experiential Learning[7]; Schön, The Reflective Practitioner[8]). Case study, project work, role-play, problem-based learning e simulazioni creano questo tipo di esperienza in modi diversi e sulla base di un’attenta progettazione didattica. Neppure il docente come progettista dell’apprendimento nasce con l’IA: questo ruolo era già presente nel quadro europeo DigCompEdu[9], che include progettazione delle attività, assessment, collaborazione e responsabilizzazione degli studenti. Il docente progetta contesti, problemi, informazioni e momenti di tutoring, confronto e supporto, oltre a spiegare i contenuti e l’IA non crea una trasformazione, la accelera.
Se una parte della spiegazione teorica è disponibile on demand, si libera del tempo per ciò che nasce dall’interazione fra conoscenze, persone e contesto. Cambia allora anche il significato di didattica digitale: caricare materiali online digitalizza la distribuzione dei contenuti, mentre il passaggio successivo consiste nel digitalizzare l’esperienza, costruendo ambienti in cui le persone agiscono e le loro azioni producono conseguenze osservabili.
Business game: dalla teoria alla decisione
I business game, una particolare tipologia di serious game, sono simulazioni utilizzate come strumenti didattici per l’apprendimento esperienziale, caratterizzati da un elemento distintivo: le decisioni dei partecipanti modificano il contesto nel quale dovranno assumere le decisioni successive. Nelle simulazioni manageriali competitive, singoli individui o team gestiscono un’impresa, una business unit o un processo aziendale, confrontandosi all’interno dello stesso scenario competitivo e assumendo decisioni in ambiti quali strategia, marketing, operations, finanza e gestione del personale, con l’obiettivo di conseguire risultati migliori rispetto agli altri partecipanti e vincere la competizione. Le decisioni producono conseguenze e quelle di un gruppo influenzano indirettamente gli altri, generando un ciclo elementare: decisione → risultato → feedback → riflessione → nuova decisione.
Una politica commerciale aggressiva può incrementare le vendite, ma al tempo stesso ridurre i margini di profitto, aumentare il fabbisogno finanziario o mettere a rischio la capacità dell’impresa di soddisfare la crescente domanda. Analizzare e discutere questi effetti porta i partecipanti a comprendere le interdipendenze tra funzioni aziendali che nei percorsi formativi vengono spesso affrontate separatamente. Il ciclo continuo di decisione, risultato, feedback e riflessione rende evidenti le conseguenze delle proprie scelte e i compromessi necessari, permettendo anche di sperimentare gli errori senza subirne i costi reali. Tuttavia, il coinvolgimento e la competizione, da soli, non garantiscono l’apprendimento: è fondamentale accompagnare l’esperienza di simulazione con momenti di analisi e riflessione che consentano di trasferire le conoscenze e le competenze acquisite ai contesti professionali reali.
Business game e IA: un binomio vincente per una nuova formazione manageriale
Nei business game, l’IA rappresenta un prezioso valore aggiunto sia per i partecipanti sia per i formatori: consente di arricchire gli scenari di simulazione, rendere più articolate e realistiche le interazioni e fornire feedback più tempestivi e personalizzati, ampliando le opportunità di apprendimento e migliorando l’efficacia dell’esperienza formativa.
Innanzitutto, l’IA generativa può ampliare il contesto informativo e dialogico: documenti da interpretare, richieste dei clienti, colloqui con fornitori e interlocutori con obiettivi differenti simulati dalla IA stessa. Il partecipante deve formulare domande, confrontare versioni contrastanti e stabilire quali informazioni siano sufficientemente affidabili per decidere.
L’IA può essere integrata nei motori simulativi per generare rapidamente nuovi scenari competitivi, diversificati per settore, contesto economico, dinamiche di mercato e caratteristiche delle imprese coinvolte. Il docente può definire gli obiettivi formativi e calibrare il livello di complessità delle simulazioni in funzione delle competenze e dell’esperienza dei partecipanti, introducendo progressivamente nuove variabili, vincoli e situazioni di incertezza. È così possibile personalizzare maggiormente i percorsi di apprendimento, proponendo sfide differenti a studenti, giovani professionisti e manager esperti. L’IA può anche contribuire a introdurre eventi inattesi, cambiamenti nelle condizioni di mercato o nuove pressioni competitive, rendendo gli scenari più dinamici e stimolando i partecipanti a rivedere le proprie strategie e a adattarsi a condizioni in continua evoluzione. Tutto questo amplia le possibilità di progettazione didattica, lasciando al docente il compito fondamentale di garantire la coerenza degli scenari e la loro efficacia rispetto agli obiettivi di apprendimento.
L’IA può inoltre assumere il ruolo di interlocutore e assistente sia per i partecipanti sia per il docente, accompagnando l’intera esperienza di gioco, dalle diverse fasi della simulazione fino al debriefing e alla valutazione finale. Durante il gioco può essere un vero e proprio tutor, un facilitatore, per fornire chiarimenti, stimolare il ragionamento attraverso domande mirate, suggerire approfondimenti e aiutare i partecipanti a interpretare le informazioni disponibili, senza necessariamente anticipare le soluzioni. Per il docente può rappresentare un prezioso supporto nel monitoraggio delle attività, nell’individuazione delle difficoltà incontrate dai partecipanti e nella personalizzazione degli interventi formativi. Nella fase conclusiva, l’IA può contribuire ad analizzare le strategie adottate, ricostruire i percorsi decisionali, evidenziare errori e incoerenze e generare feedback personalizzati. Il debriefing diventa così un’occasione di riflessione ancora più approfondita sull’esperienza vissuta, mentre la responsabilità dell’interpretazione e della valutazione dell’apprendimento rimane saldamente nelle mani del docente.
Esistono già soluzioni disponibili sul mercato[10] dove, ad esempio, un partecipante assume il ruolo di project manager o di buyer, riceve una grande quantità di informazioni, non sempre complete o affidabili, provenienti anche da numerosi stakeholder, e le utilizza per costruire un project charter o negoziare con un fornitore, con l’IA a supporto delle interazioni e di una prima analisi dei risultati. Questo tipo di soluzione richiede tuttavia alcune precisazioni. Un agente IA che interpreta uno stakeholder non costituisce necessariamente una simulazione validata del comportamento umano: i modelli linguistici (LLM) possono presentare bias, incoerenze e risposte influenzate dalla formulazione dei prompt, e non sostituiscono in modo affidabile gli interlocutori reali. Il loro contributo è un altro: simulare in maniera molto più ricca e articolata il contesto informativo e dialogico che precede una decisione. La simulazione arriva così a comprendere conversazioni, richieste, documenti, ambiguità e pressioni contrastanti, andando oltre la sola rappresentazione quantitativa delle conseguenze delle scelte.
Per quanto riguarda l’assistenza durante il processo di apprendimento, il tutoring o la facilitazione basati sull’IA sono una grande opportunità perché – se ben progettati – stimolano il ragionamento critico e approfondito, favorendo la costruzione di modelli mentali e procedurali che consentano ai partecipanti di affrontare autonomamente problemi complessi. Il rischio principale emerge quando l’IA finisce per svolgere proprio le attività che il business game dovrebbe allenare. Se elabora la strategia, interpreta tutti i risultati e suggerisce ogni correzione, un team può ottenere ottime prestazioni nella simulazione, fino a raggiungere le prime posizioni in classifica, senza aver realmente sviluppato le competenze, l’autonomia di giudizio e la capacità di affrontare situazioni analoghe senza assistenza. L’obiettivo del tutoring e della facilitazione non deve quindi essere quello di fornire le risposte migliori, ma di aiutare i partecipanti a costruire le competenze necessarie per individuarle, valutarle e motivarle autonomamente.
Per quanto riguarda il docente, l’IA rappresenta uno strumento estremamente potente per generare feedback e supportare le attività di debriefing e valutazione. Soprattutto in gruppi numerosi, può fornire una prima analisi dei risultati, individuare incoerenze tra obiettivi e decisioni, evidenziare errori ricorrenti e proporre domande di approfondimento sulla base di criteri espliciti. Attraverso dashboard e strumenti di analisi dedicati, il docente può monitorare l’andamento della simulazione, identificare i team che necessitano di maggiore supporto e personalizzare gli interventi formativi, migliorando la tempestività e la qualità del feedback e riducendo potenzialmente i tempi di revisione. Il contributo dell’IA può diventare particolarmente significativo nella fase di debriefing, ovvero nella discussione guidata che segue l’esperienza di gioco. L’analisi dei dati e delle interazioni può aiutare a ricostruire i percorsi decisionali dei partecipanti, confrontare aspettative e risultati, esaminare le alternative scartate e riflettere su come le conoscenze e i concetti manageriali possano essere applicati in contesti professionali reali.
Oltre la classifica: valutare le competenze e governare l’IA
La responsabilità dell’interpretazione e della valutazione resta tuttavia saldamente in capo al docente. Un piano formalmente coerente può infatti basarsi su assunzioni fragili, mentre una scelta apparentemente poco redditizia può risultare ragionevole alla luce delle informazioni e dei vincoli conosciuti dal team. L’IA può contribuire a far emergere questi aspetti, ma è il docente a doverli interpretare e contestualizzare, trasformando l’analisi dei risultati in un’effettiva opportunità di apprendimento.
La classifica del business game misura una prestazione in uno scenario simulato. Per valutare l’apprendimento occorre osservare anche la qualità delle motivazioni, l’uso delle informazioni e la capacità di rivedere una scelta dopo un risultato inatteso. Report, conversazioni e revisioni possono offrire evidenze utili, purché i criteri siano definiti prima dell’attività. Un log registra un’azione, ma non ne dimostra da solo il motivo: va interpretato insieme alle spiegazioni del partecipante. Un disegno di valutazione può affiancare al risultato individuale o di squadra una discussione e una breve prova su uno scenario nuovo, con condizioni d’uso dell’IA dichiarate. In questo modo si può distinguere il contributo del gruppo dalla competenza personale e osservare il trasferimento dell’apprendimento. È utile chiedere anche quali indicazioni dell’IA siano state respinte: riconoscere una risposta inadeguata è parte del giudizio manageriale.
La governance deve accompagnare questa progettazione. L’AI Act individua specifici impieghi nell’istruzione e nella formazione fra i possibili sistemi ad alto rischio, compresa la valutazione dei risultati di apprendimento, secondo le condizioni del regolamento[11]. L’impiego di un interlocutore simulato non determina da solo tale classificazione; occorre considerare la finalità e la funzione concreta del sistema [12]. Nel business game vanno inoltre chiariti i dati raccolti, chi può consultarli e il ruolo del docente nella valutazione.
Lo stesso ambiente può servire ad allenare l’alfabetizzazione sull’IA: verificare una risposta, riconoscere i limiti del modello e decidere quali dati utilizzare diventano parte dell’esercizio manageriale. Questa impostazione è coerente con l’articolo 4 dell’AI Act[13], che richiede a fornitori e utilizzatori professionali misure a sostegno dell’alfabetizzazione del personale e delle persone che operano i sistemi per loro conto.
Per trasformare l’integrazione fra IA e Business Game in una proposta formativa verificabile, almeno tre condizioni meritano attenzione:
• Collegare ogni funzione dell’IA a una competenza precisa. Simulare un fornitore, suggerire una domanda o commentare un piano deve avere uno scopo didattico riconoscibile, con criteri per valutarne l’utilità.
• Preservare decisioni e motivazioni del partecipante. Il percorso deve prevedere momenti di lavoro autonomo, confronto con il team e revisione critica dei suggerimenti ricevuti, calibrati sull’esperienza delle persone.
• Misurare ciò che resta dopo il gioco e dopo il supporto dell’IA. Accanto a coinvolgimento e risultati della simulazione, vanno osservate la capacità di affrontare uno scenario nuovo e la qualità delle argomentazioni, anche quando l’assistenza IA viene ridotta.
In conclusione, i business game integrati con l’IA rappresentano un’importante opportunità per formare i manager e i professionisti del futuro e aggiornare le competenze di quelli già in attività. Il loro valore non risiede soltanto nella possibilità di creare simulazioni più ricche, dinamiche e personalizzate, ma soprattutto nella capacità di sviluppare pensiero critico, visione strategica e autonomia di giudizio, preservando il ruolo attivo dei partecipanti nel processo di apprendimento.
Note
[1] World Economic Forum (2025), The Future of Jobs Report 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/digest/
[2] World Economic Forum, con PwC (2026), Artificial Intelligence and the Future of Entry-Level Work: A Framework for Safeguarding and Reinventing Early Career Pathways, 22 giugno. https://www.weforum.org/publications/artificial-intelligence-and-the-future-of-entry-level-work-a-framework-for-safeguarding-and-reinventing-early-career-pathways/
[3] World Economic Forum (2026), Four Futures for Jobs in the New Economy: AI and Talent in 2030, 7 gennaio. https://www.weforum.org/publications/four-futures-for-jobs-in-the-new-economy-ai-and-talent-in-2030/
[4] National Academies of Sciences, Engineering, and Medicine (2018), How People Learn II: Learners, Contexts, and Cultures. https://doi.org/10.17226/24783
[5] Studio pubblicato su PNAS (2025) sull’uso dell’IA nell’apprendimento della matematica. https://doi.org/10.1073/pnas.2422633122
[6] OECD (2026), Digital Education Outlook 2026. https://doi.org/10.1787/062a7394-en
[7] Kolb, D. A. (1984), Experiential Learning: Experience as the Source of Learning and Development. Prentice-Hall. https://books.google.com/books/about/Experiential_Learning.html?id=ufnuAAAAMAAJ
[8] Schön, D. A. (1983), The Reflective Practitioner: How Professionals Think in Action. Basic Books. https://search.worldcat.org/title/The-reflective-practitioner-%3A-how-professionals-think-in-action/oclc/223087924
[9] Commissione europea, DigCompEdu: European Framework for the Digital Competence of Educators. https://publications.jrc.ec.europa.eu/repository/handle/JRC107466
[10] The Business Game, Negotiation o Project Management AI Business Game. https://thebusinessgame.it/ Nicola Baldissin è CEO di The Business Game.
[11] Regolamento europeo sull’intelligenza artificiale (AI Act), Allegato III. https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-3
[12] Regolamento europeo sull’intelligenza artificiale (AI Act), Articolo 6. https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-6
[13] Regolamento europeo sull’intelligenza artificiale (AI Act), Articolo 4. https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-4
Partecipa alla community