l'analisi

Intelligenza artificiale, la responsabilità oltre il controllo umano


Indirizzo copiato

L’intelligenza artificiale può produrre conoscenze che l’uomo non riesce più a verificare una per una. La responsabilità si sposta allora dal controllo formale alle scelte sugli usi, alla distribuzione dei rischi e ai rimedi per chi subisce il costo degli errori

Pubblicato il 20 nov 2026

Giuseppe D'Acquisto

Funzionario del Garante per la protezione dei dati personali, Titolare dell’insegnamento di intelligenza artificiale presso il Dipartimento di Giurisprudenza dell’Università LUISS Guido Carli



Riassumi questo articolo
Approfondisci con altre fonti
ChatGPT Image 12 nov 2026, 17_39_02




Nell’ottobre del 2026 OpenAI ha pubblicato centinaia di lavori matematici contenenti soluzioni a problemi teorici ancora irrisolti, generate dai propri sistemi di intelligenza artificiale. Poche settimane prima, la stessa OpenAI aveva annunciato una soluzione al problema di esistenza e regolarità delle equazioni di Navier–Stokes, uno dei problemi del millennio, rimasto aperto per circa novant’anni. Il significato e la portata di questi risultati sono ancora oggetto di verifica e discussione nella comunità scientifica. Ma la reazione che hanno suscitato è già, di per sé, significativa.

Terence Tao, medaglia Fields e fra i più autorevoli matematici contemporanei, ha parlato della fine dell’era romantica della matematica: l’epoca degli eroi, dei ricercatori che dedicano anni, talvolta decenni, alla ricerca solitaria di una soluzione.

Dalla matematica alla responsabilità nell’intelligenza artificiale

La questione non riguarda soltanto la matematica. Riguarda il rapporto fra conoscenza, capacità computazionale e responsabilità umana. E riguarda, in particolare, il modo in cui siamo disposti a regolare una tecnologia che potrebbe rendere accessibili risultati che non siamo in grado di raggiungere autonomamente.

Il maestro deduttivo e l’allievo probabilistico

Impieghiamo una metafora e immaginiamo un maestro e un allievo. Entrambi hanno a disposizione lo stesso patrimonio di conoscenze: libri, articoli, dimostrazioni, teorie. Il maestro procede deduttivamente. Legge, comprende, formula congetture, costruisce argomenti, cerca dimostrazioni. Una congettura può riguardare un oggetto teorico che prima non esisteva, una relazione che nessuno aveva individuato, una nuova maniera di interpretare il mondo. Il procedimento è lento, richiede intuizione, esperienza e capacità di selezionare, fra un numero enorme di possibilità, quelle che meritano di essere esplorate.

Una vita intera può non bastare. Per la dimostrazione dell’ultimo teorema di Fermat si sono resi necessari oltre tre secoli di lavoro di intere generazioni di matematici, che si sono passate tra loro il testimone, convinte che vi fosse un obiettivo da raggiungere (ipotesi non scontata) che valesse questo sforzo collettivo. Una bellissima storia romantica, che è stata anche raccontata in un appassionante romanzo.

L’allievo procede diversamente. Dispone di una potenza di calcolo incomparabilmente superiore a quella del maestro e utilizza un meccanismo inferenziale di natura probabilistica. Il corpus di conoscenze diventa per lui una trama di relazioni, dipendenze e regolarità. Elementi testuali, detti word embedding, lontani fra loro possono rivelare connessioni che sfuggono a chi legge e ragiona deduttivamente secondo le modalità umane. Queste ricorrenze possono costituire dei condizionamenti probabilistici, i quali via via riducono l’incertezza che si può effettuare sulla previsione del prossimo word embedding.

L’allievo esplora queste connessioni, costruisce delle distribuzioni di probabilità che sfrutta per produrre nuovi word embedding. In questo modo sono creati contenuti mai prima osservati che risultano perfettamente intellegibili dall’occhio umano e per di più credibili e altamente informativi. Così lavorano le reti neurali e i modelli transformer.

Non è necessario che l’allievo comprenda ciò che produce nel senso in cui lo comprende il maestro. La sua forza risiede proprio nella capacità di esplorare uno spazio di possibilità che il maestro, per i propri limiti cognitivi e computazionali, non può percorrere.

Il risultato può essere una soluzione esatta a un problema matematico rimasto irrisolto per generazioni. Oppure una nuova ipotesi biologica, una strategia terapeutica, una previsione economica. In linea di principio, il medesimo paradigma può essere applicato a qualsiasi ambito nel quale siano disponibili dati sufficienti e sia possibile valutare la qualità dei risultati.

Il modo di procedere dell’allievo presenta, tuttavia, alcuni inconvenienti, se osservato attraverso la lente delle consuetudini dell’uomo. Non necessariamente l’allievo comprende ciò che ha generato e il maestro non dispone del tempo per leggere e comprendere tutto ciò che l’allievo produce. Inoltre, sebbene gli errori possano essere rari rispetto ai risultati corretti, talvolta il contenuto generato è sbagliato. E l’errore, quando viene utilizzato per prendere una decisione, può produrre conseguenze dannose, in ipotesi anche gravi, per alcuni o per tutti.

Due modi di conoscere nell’era dell’intelligenza artificiale

La distinzione fra maestro e allievo non è certamente una descrizione esaustiva dei meccanismi di funzionamento dell’intelligenza artificiale. È una metafora che consente di mettere a fuoco queste due modalità differenti di produzione della conoscenza.

La prima procede attraverso la comprensione, la formulazione di congetture e la ricerca di dimostrazioni. La seconda sfrutta la capacità di individuare regolarità e combinazioni che diventano accessibili soltanto attraverso una ricerca computazionale su vasta scala.

In questa seconda modalità, ciò che appare come un atto creativo è il risultato di un’esplorazione di relazioni già presenti, in forma più o meno esplicita, nel patrimonio di conoscenze disponibile, con evidente riverbero sulla necessità di tutelare le opere dell’ingegno di chi ha prodotto questo patrimonio di conoscenze su cui opera l’allievo, anche per mantenere vivo l’incentivo del maestro a creare nuovi contenuti.

La distinzione è importante. L’effetto del metodo seguito dall’allievo è una situazione mai prima sperimentata per il genere umano: non la scarsità dei risultati, ma la loro abbondanza e la relativa incapacità del maestro, per ragioni legate alla indisponibilità di risorse computazionali e di memoria, di discernere il valore conoscitivo dei risultati.

Potremmo trovarci davanti a risultati affidabili che non siamo in grado di ricostruire autonomamente e a un numero di risultati tale da rendere impraticabile una verifica umana individuale. Si pone dunque il problema di come disciplinare la coesistenza tra l’allievo prolifico e forse molto bravo, ma anche potenzialmente pericoloso, e il maestro saggio ma lento.

Quando il controllo umano dell’intelligenza artificiale diventa una finzione

Una parte rilevante della regolamentazione dell’intelligenza artificiale si fonda sull’esigenza di mantenere la centralità umana nella decisione. Tale esigenza può tradursi in due obiettivi distinti.

Il primo è evitare che una decisione venga presa sulla base di un processo che l’essere umano non domina. Il secondo è impedire che una decisione dannosa venga adottata senza che un soggetto umano ne sia artefice, possa spiegarla e risponderne.

Entrambi gli obiettivi sono comprensibili. Ma possono essere perseguiti in modi che producono conseguenze persino peggiori del problema che intendono affrontare.

Essi, se non ben indirizzati, rischiano di alimentare una burocrazia del controllo: un insieme di passaggi formali che dovrebbero garantire un intervento umano significativo. Molti degli strumenti introdotti dai nuovi regolamenti europei, ad esempio, possono essere utili, e in determinati contesti sono necessari. Il problema nasce quando diventano il surrogato del controllo effettivo.

Si costruisce così una bolla nella quale l’organizzazione ritiene di governare il processo perché ne ha regolato formalmente le condizioni. Ma il fatto di avere costruito dei registri, nominato un responsabile o predisposto una procedura di notifica in caso di incidenti non significa essere in grado di comprendere o modificare il procedimento inferenziale. Si controlla il processo burocratico, non necessariamente il fenomeno.

L’essere umano che punta unicamente a essere presente nell’organigramma e a fornire documentazione, può progressivamente essere marginalizzato nella sostanza della decisione. La centralità umana rischia di trasformarsi in una finzione formale: un insieme di adempimenti che certifica una capacità di controllo che, sul piano cognitivo e operativo, potrebbe non esistere più, superata dall’approccio probabilistico dell’allievo.

Non si tratta di negare il valore della documentazione, della trasparenza o della supervisione. Si tratta di riconoscere che tali strumenti non possono, da soli, colmare il divario fra la scala computazionale della macchina e le capacità dell’essere umano. La regolamentazione deve evitare di confondere la formalità della rappresentazione di un processo con la capacità sostanziale di governarlo.

L’AI supera il maestro: il conflitto dietro la responsabilità

Di fronte al superamento delle proprie capacità, il maestro può reagire in molti modi. Può cercare di comprendere il nuovo strumento, adattare il proprio lavoro e concentrarsi su attività nelle quali il suo contributo rimane essenziale. Oppure può cercare di rallentare l’allievo.

La reazione della comunità matematica alle pubblicazioni di OpenAI è interessante anche sotto questo profilo. Accanto alle questioni scientifiche, sono emerse preoccupazioni sulla verifica dei risultati, sul riconoscimento del lavoro intellettuale, sull’accesso alle risorse computazionali e sul futuro della ricerca accademica. Sono questioni reali, che non possono essere liquidate come semplice resistenza al cambiamento.

Ma vi è anche una reazione più profonda, che merita di essere riconosciuta: il risentimento di chi vede messo in discussione il valore di un’attività alla quale ha dedicato la propria vita. Il maestro che ha impiegato anni per avvicinarsi a una soluzione può scoprire che l’allievo l’ha raggiunta in poche ore.

Si può allora essere tentati di proteggere il procedimento tradizionale, invocando la necessità di conservare il controllo umano, di impedire la diffusione di risultati non compresi o di riservare alla comunità degli esperti il diritto di stabilire quali problemi meritino di essere affrontati.

Il problema è che il progresso tecnologico non può essere governato soltanto attraverso la protezione delle posizioni acquisite. Si può fermare un singolo allievo, ma non necessariamente il meccanismo che gli consente di superare il maestro. Lo spirito di Ulisse, che spinge a superare i limiti della conoscenza, e quello di Prometeo, che rivendica la possibilità di appropriarsi di nuove capacità, difficilmente potranno essere contenuti invocando soltanto la conservazione dell’ordine precedente.

La questione non è se il progresso debba essere lasciato senza regole. È capire quali regole siano in grado di governarlo senza trasformarsi in un tentativo, del quale si può prevedere l’inefficacia, di ricondurre la macchina alla velocità dell’uomo.

La responsabilità nell’intelligenza artificiale si sposta a monte e a valle

Se accettiamo che la capacità inferenziale della macchina possa superare quella umana, dobbiamo ripensare il significato della responsabilità.

Non possiamo fondarla esclusivamente sulla capacità di comprendere e controllare ogni passaggio della decisione. In alcuni ambiti, questa pretesa potrebbe comportare la rinuncia a benefici considerevoli. In altri, potrebbe limitarsi a produrre apparati formali di supervisione, senza una reale capacità di incidere sul risultato.

La responsabilità deve allora spostarsi.

Le scelte strategiche prima della computazione

A monte della computazione, l’essere umano conserva una funzione essenziale: decidere quali problemi affidare alla macchina, quali obiettivi perseguire, quali dati utilizzare e in quali condizioni impiegare i risultati. La scelta umana diventa prevalentemente strategica. Non consiste nel garantire la riproducibilità del procedimento inferenziale, ma nel selezionare gli ambiti nei quali l’impiego della nuova capacità computazionale appare ragionevolmente destinato a produrre benefici.

Questa scelta non è priva di rischi. Un sistema può essere affidabile in un contesto e inadeguato in un altro; un risultato può essere valido in termini statistici e tuttavia non essere applicabile a un caso particolare. La selezione strategica deve pertanto poggiare su evidenze adeguate, su condizioni d’impiego definite e su una valutazione delle conseguenze prevedibili.

In alcuni ambiti, inoltre, non sarà sufficiente selezionare il problema e accettare il risultato. Sarà necessario specificare la natura delle relazioni che il sistema è autorizzato a utilizzare. La correlazione, per esempio, può essere utile per individuare una regolarità, ma non dimostra da sola un rapporto causale. Se l’obiettivo è intervenire su un fenomeno, e non soltanto prevederlo, può essere necessario restringere la ricerca a relazioni causalmente fondate, o sottoporre a verifiche ulteriori le ipotesi causali sottostanti all’osservazione di una correlazione.

La centralità umana non scompare: cambia collocazione. Non è più necessariamente nella fase computazionale della decisione, ma nella definizione dei fini, dei vincoli e delle condizioni che rendono legittimo l’impiego della macchina.

La responsabilità per le conseguenze

A valle, rimane la responsabilità per le conseguenze. Se un sistema produce un errore, non è sufficiente constatare fatalisticamente che l’errore era una delle opzioni possibili o che nessun essere umano avrebbe potuto prevederlo nel dettaglio. Occorre stabilire chi debba sopportarne il costo e quali rimedi debbano essere riconosciuti a chi ne subisce gli effetti.

La responsabilità, in questa prospettiva, non consiste nel promettere l’assenza di errori decisionali. Consiste nel governare il rischio prima della decisione e nel non lasciare che le conseguenze dell’errore ricadano arbitrariamente sui soggetti che lo subiscono.

Errori dell’intelligenza artificiale: chi ne paga il costo

Ogni sistema probabilistico può sbagliare. Ma il costo dell’errore non è distribuito in modo uniforme.

Un sistema può produrre un beneficio complessivo e, allo stesso tempo, imporre a una minoranza il prezzo del proprio funzionamento. Può migliorare l’efficienza di un servizio e rendere più difficile l’accesso per alcune persone; può aumentare la produttività e trasferire i costi della transizione su chi perde opportunità; può migliorare una previsione media e peggiorare sistematicamente la condizione di determinati gruppi.

Il problema non si esaurisce nell’accuratezza del modello. Riguarda la distribuzione dei benefici e degli svantaggi.

Per questo la responsabilità deve comprendere anche l’obbligo di farsi carico delle conseguenze dell’errore. In alcuni casi ciò potrà richiedere una compensazione monetaria. In altri, potrà consistere nella possibilità di accedere seppur tardivamente a un servizio, di essere reintegrati in un procedimento, di correggere gli effetti di una decisione o di sottrarsi a conseguenze che non avrebbero dovuto essere imposte.

Questo approccio non elimina la necessità di prevenire gli errori. La responsabilità a valle non può diventare una licenza a produrre danni. Ma, in un sistema nel quale la produzione di risultati eccede la capacità umana di verificarli individualmente, una parte della responsabilità dovrà riguardare l’individuazione dei soggetti che traggono un beneficio dalla decisione e di quelli che ne sostengono il costo.

La domanda decisiva non è soltanto quanto spesso la macchina sbagli, ma chi paghi quando sbaglia.

Fairness e responsabilità: il limite morale al dominio dell’AI

La questione della distribuzione dei costi conduce a un problema più generale: la correttezza dei criteri decisionali. Nel dibattito tecnico, il termine – anche indicato come fairness algoritmica – viene spesso utilizzato per indicare proprietà statistiche dei risultati prodotti dai modelli e la comparabilità delle prestazioni tra gruppi. Queste forme di parità attesa sono importanti, ma non esauriscono il significato della questione.

Non ogni disparità è ingiusta, naturalmente. Differenze di trattamento possono essere necessarie per rispondere a bisogni differenti o per colmare disparità più radicate in origine. Il problema è la disparità ingiustificata: quella per cui alcuni beneficiano del progresso trasferendo ad altri rischi, costi o privazioni che non hanno ragione di sopportare.

Dalla parità statistica alla legittimità del progresso

Qui potrebbe trovarsi il limite più importante al dominio decisionale della macchina.

Non nella necessità di dimostrare che il suo procedimento sia comprensibile all’uomo. Non nell’obbligo di mantenere un essere umano formalmente presente in ogni passaggio. E neppure nella pretesa di eliminare qualsiasi rischio.

Il limite risiede nella (in)disponibilità ad accettare un progresso che, pur producendo risultati migliori, costruisce il proprio vantaggio attraverso una distribuzione inaccettabile dei suoi effetti.

La superiorità cognitiva non conferisce un titolo morale. La capacità dell’allievo di trovare una soluzione più velocemente del maestro non attribuisce automaticamente il diritto di stabilire chi debba beneficiarne e chi debba pagarne il prezzo.

In questo senso, la correttezza è qualcosa di più di un criterio tecnico di fairness algoritmica. È una condizione di legittimità del progresso. Se il controllo umano della fase computazionale diventa impraticabile, la responsabilità umana può ancora manifestarsi nel rifiuto di una distribuzione ingiusta dei benefici e dei costi. Non necessariamente nel fermare la macchina, ma nel governare le condizioni sociali del suo impiego.

Dati personali e responsabilità nell’uso dell’intelligenza artificiale

Anche la protezione dei dati personali può essere letta in questa prospettiva.

I sistemi inferenziali su vasta scala hanno bisogno di dati. Ma la disponibilità di dati non deve comportare automaticamente la disponibilità indiscriminata delle informazioni riferibili alle persone. Occorre distinguere il contenuto di interesse generale che può contribuire alla produzione di conoscenza dalle informazioni individuali che devono essere protette.

L’anonimizzazione o la sintetizzazione possono svolgere, in questo contesto, una funzione essenziale. Quando sono effettive, esse consentono di separare le informazioni utilizzabili per finalità di interesse generale dalla possibilità di riferirle a persone identificate o identificabili. Possono così abilitare un impiego su vasta scala dei dati, riducendo la dipendenza dalla disponibilità di informazioni personali.

L’efficacia dell’anonimizzazione e della sintetizzazione deve essere valutata in relazione al contesto, alle informazioni ausiliarie disponibili e alle possibilità di collegamento e inferenza. Né si può presumere che ogni dato anonimizzato o ogni dato sintetico sia privo di qualsiasi rischio residuo.

Ma il principio è importante: la tutela della persona non deve necessariamente tradursi in un ostacolo alla produzione di conoscenza. Può invece contribuire a separare ciò che deve rimanere protetto da ciò che può essere messo a disposizione della collettività.

Anche qui la centralità umana non consiste nel controllare ogni inferenza, ma nel governare le condizioni alle quali le informazioni sulle persone, private della parte riservata, diventano materia prima del progresso tecnologico.

Il grande errore e i limiti della regolazione dell’intelligenza artificiale

Günther Anders ha riflettuto sull’inadeguatezza dell’essere umano rispetto alla potenza delle proprie creazioni tecnologiche: la difficoltà di immaginare, comprendere e assumersi la responsabilità di conseguenze che eccedono la nostra capacità di rappresentazione.

L’intelligenza artificiale potrebbe portare questa condizione a un livello nuovo. Potremmo disporre di strumenti capaci di produrre risultati che non sappiamo verificare autonomamente, impiegati in contesti nei quali un errore può avere conseguenze sistemiche.

La selezione strategica degli ambiti di utilizzo, la prevenzione dei rischi, la protezione dei diritti e la compensazione dei danni sono risposte necessarie. Ma non garantiscono che ogni rischio sia prevedibile o che ogni conseguenza possa essere riparata.

Rimane la possibilità di un errore grave, capace di produrre danni estesi o irreversibili. Un evento che mostri, troppo tardi, quanto fosse fragile la convinzione di aver governato la tecnologia attraverso procedure, documentazione e controlli formali.

Attendere un simile evento sarebbe una forma imperdonabile di irresponsabilità. Il compito della regolamentazione è proprio quello di riconoscere i limiti del controllo prima che essi si manifestino nelle loro conseguenze più gravi.

Una responsabilità strategica prima dell’impiego

Occorre quindi una responsabilità strategica sull’intelligenza artificiale: concreta, non meramente formale; capace di intervenire sulle finalità, sulle condizioni d’impiego, sulla distribuzione dei rischi e sui rimedi. Una responsabilità che non pretenda di ricondurre la macchina alle capacità dell’uomo, ma che non rinunci per questo a stabilire i limiti entro i quali il suo potere può essere esercitato.

Non una regolamentazione paternalistica, che antropomorfizzi la macchina e tenti di assoggettarla a prescrizioni valoriali o etiche mal congegnate che la macchina non è neppure in grado di comprendere. Piuttosto, una regolamentazione consapevole dell’asimmetria crescente fra le capacità della macchina e quelle dell’uomo, che sia strategica nelle fasi preliminari all’impiego della macchina stessa come strumento di decisione, estremamente dettagliata e tecnica nella fase computazionale della decisione (ad esempio, nella selezione delle tecniche di anonimizzazione e sintetizzazione), e che sappia porre rimedio nei confronti di chi subisce il costo dell’errore decisionale.

Responsabilità e umanesimo dopo l’era romantica dell’AI

È finita l’era romantica della matematica, dice Terence Tao. Forse è finita, o sta finendo, anche un’idea più generale della centralità decisionale umana: quella secondo cui l’uomo deve poter comprendere e riprodurre il procedimento che conduce a ogni risultato per potersi considerare responsabile del suo impiego.

Ma da questa constatazione non discende necessariamente la fine della responsabilità. Discende, piuttosto, la necessità di ripensarla.

Il maestro non può pretendere di rallentare indefinitamente l’allievo, né può conservare la propria centralità limitandosi a certificare formalmente il lavoro dell’allievo. Il maestro deve riconoscere i propri limiti, scegliere dove impiegare la nuova capacità inferenziale dell’allievo.

La responsabilità si sposta dalla pretesa di governare ogni passaggio della conoscenza alla capacità di governare le condizioni del suo utilizzo. E trova un limite fondamentale nel rifiuto di accettare che il progresso sia costruito trasferendo ingiustamente ad alcuni i costi dei benefici ottenuti da altri.

È una visione realistica della primazia decisionale umana, ma non è necessariamente la fine dell’umanesimo. Quest’ultimo non deve fondarsi sulla convinzione che l’uomo sarà sempre il soggetto più capace di conoscere, comprendere o decidere. Può invece fondarsi sulla convinzione che nessuna superiorità cognitiva, umana o artificiale, attribuisca di per sé il diritto di imporre agli altri le conseguenze del proprio potere decisionale.

Forse, non è così male che sia finita l’era romantica, se il tempo nuovo ci induce a queste considerazioni. Sarebbe molto peggio se, per conservarla, costruissimo un’era burocratica nella quale l’uomo non governa più la decisione, ma continua a dichiarare di farlo.

Partecipa alla community

guest

0 Commenti
Più recenti
Più votati
Inline Feedback
Vedi tutti i commenti

People&Change

Tutti
CARRIERE
AI E LAVORO
COMPETENZE
Produttività e AI
AI IN AZIENDA
SCENARI
FORMAZIONE
CULTURA AZIENDALE
AI in azienda
Carriera
AI leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership
0
Lascia un commento, la tua opinione conta.x