«Quello che abbiamo elaborato insieme entrerà nel tuo patrimonio di conoscenze? Influenzerà le risposte che darai ad altre persone?» L’abbiamo chiesto a ChatGPT qualche giorno fa, alla fine di una conversazione cominciata con una domanda quasi scolastica: che differenza c’è tra definire l’Italia un Paese, uno Stato o una Nazione?
La prima risposta distingueva territorio, istituzioni e identità collettiva. Poi abbiamo provato ad applicare quelle categorie a casi in cui i tre elementi non coincidono, e la conversazione ha cambiato direzione: dalla storia alla sovranità, dall’appartenenza nazionale ai diritti delle persone, fino a una domanda sulla convivenza fra identità collettive diverse che all’inizio non avevo formulato. Probabilmente non ha nulla di originale per la filosofia politica. Ma per noi era nuova, ed era emersa dal dialogo: non avevamo cercato informazioni, avevamo progressivamente cambiato la domanda.
Indice degli argomenti
L’apprendimento organizzativo con l’AI comincia da una domanda
La risposta alla nostra domanda finale, in sostanza, è stata: non automaticamente. Ed è allora che ho cominciato a pensare alle organizzazioni. Che cosa succede alla conoscenza nuova che le persone costruiscono dialogando con l’AI, e che l’organizzazione rischia di non vedere mai?
Dalle risposte all’apprendimento organizzativo con l’AI
Nelle imprese misuriamo l’AI soprattutto in tempo risparmiato, produttività e qualità degli output. Sono indicatori importanti, ma rischiano di lasciarci sfuggire un fenomeno diverso.
Durante una conversazione con l’AI una persona può individuare un collegamento inatteso, mettere in discussione un’ipotesi, riformulare un problema. Non scopre necessariamente qualcosa di nuovo per il mondo: arriva a comprendere qualcosa che prima non comprendeva. È già un risultato, e lo diventa ancora di più quando quella comprensione può servire ad altri.
Un manager chiede all’AI come rendere più veloce un processo e arriva a domandarsi perché quel processo esista ancora. Un responsabile commerciale cerca di migliorare una previsione e scopre che il problema non sono gli algoritmi, ma l’affidabilità delle informazioni di partenza. In casi come questi il valore maggiore non è la risposta prodotta, ma la domanda nuova che rende insufficienti le risposte precedenti.
Il tema non è nuovo nella teoria delle organizzazioni. Già negli anni Settanta Chris Argyris e Donald Schön avevano introdotto il concetto di double-loop learning: l’apprendimento che non si limita a correggere le azioni, ma mette in discussione le regole e le ipotesi sulle quali si fondano. L’AI può rendere questa esplorazione più accessibile e frequente: possiamo confrontare interpretazioni, simulare alternative, chiedere obiezioni, tornare più volte sullo stesso problema.
Naturalmente, una spiegazione convincente non è per questo valida, e la capacità di mettere in discussione le risposte dell’AI resta essenziale. Ma la questione che mi interessa è un’altra: che cosa succede quando una buona intuizione, una volta verificata, rimane confinata nella conversazione che l’ha prodotta?
Le conversazioni con l’AI che le organizzazioni non sanno di avere
Per capire il problema bisogna distinguere tre fenomeni che spesso confondiamo. Il primo è la memoria di una conversazione: un sistema può conservare o recuperare informazioni sulle interazioni precedenti, secondo le funzionalità disponibili e le impostazioni adottate. Il secondo è l’addestramento dei modelli: alcune conversazioni, quando le condizioni contrattuali e le scelte dell’utente lo consentono, possono contribuire a migliorare modelli futuri, ma questo non significa che una singola intuizione diventi disponibile ad altri utenti. Il terzo è l’apprendimento di un’organizzazione, ed è tutt’altra cosa.
OpenAI dichiara, per esempio, che i contenuti delle versioni Business ed Enterprise di ChatGPT non vengono usati per addestrare i modelli per impostazione predefinita. È una protezione importante per le informazioni aziendali, ma risponde a un’esigenza diversa dalla costruzione di conoscenza condivisa. E anche quando sono conservate, le conversazioni non diventano per questo conoscenza organizzativa: restano accessibili ai singoli utenti, oppure archiviate senza alcun processo di verifica e riutilizzo.
Un esempio, puramente illustrativo. Un tecnico cerca la causa di un’anomalia ricorrente su una macchina. Con uno strumento aziendale autorizzato confronta manuali, dati di manutenzione ed esperienze precedenti, e nel dialogo con l’AI emerge l’ipotesi che il problema non dipenda dal componente sospettato, ma da una particolare sequenza operativa. L’ipotesi viene verificata ed è corretta. Ma se resta nella sua conversazione, un collega che incontra lo stesso problema riparte da zero, un altro stabilimento continua a sostituire il componente sbagliato, la procedura di manutenzione non cambia. L’azienda possiede una conoscenza utile senza sapere di possederla.
Né basterebbe archiviare l’intera conversazione. Conservare una conversazione non equivale a imparare da quella conversazione.
La ricerca sull’AI e l’apprendimento nelle organizzazioni
Nel giugno 2026 Organization Science ha pubblicato The Cybernetic Teammate, un esperimento sul campo con 791 professionisti di Procter & Gamble. Chi lavorava da solo con l’AI ha raggiunto prestazioni paragonabili a quelle di team senza AI, sui problemi di innovazione di prodotto esaminati; inoltre l’AI aiutava a integrare prospettive tecniche e commerciali che, senza lo strumento, tendevano a restare separate. L’AI, dunque, non cambia soltanto la produttività individuale, ma anche il modo in cui competenze diverse si combinano.
Per il nostro discorso conta un dettaglio: quell’integrazione avveniva dentro la conversazione fra una persona e il sistema, ed è proprio lì che, nel lavoro di tutti i giorni, rischia di restare. L’esperimento misurava la qualità delle soluzioni, non ciò che l’organizzazione ne avrebbe fatto dopo.
Batia Wiesenfeld (NYU Stern) e Katherine Kellogg (MIT Sloan) affrontano il problema più direttamente in Generative Organizational Learning, pubblicato su Strategic Organization (online dal dicembre 2025). Studiando l’introduzione dell’AI generativa in un’organizzazione sanitaria, sostengono che l’AI sposti le organizzazioni da una condizione di scarsità a una di abbondanza di conoscenza: più persone, anche fuori dai ruoli tradizionalmente esperti, possono proporre idee e soluzioni.
Ma l’abbondanza è utile e rischiosa insieme, perché una parte di ciò che viene generato è inesatta o non sicura. La sfida si sposta così dal trovare le idee al curarle: decidere che cosa adottare, che cosa adattare e che cosa scartare. Servono processi di selezione e di protezione (curating e guardrailing, nei termini delle autrici) che funzionano come una forma di oblio deliberato: lo stesso «saper dimenticare» che, parlando di memoria organizzativa, avevamo indicato come condizione di una memoria affidabile. Se il volume delle idee cresce, questa capacità diventa più importante, non meno.
Come trasformare i dialoghi con l’AI in conoscenza organizzativa
Come affrontare il problema? Non certo registrando indiscriminatamente tutte le interazioni dei dipendenti con l’AI. Sarebbe una scelta discutibile per riservatezza, fiducia e autonomia professionale, e produrrebbe archivi enormi nei quali le informazioni davvero utili sarebbero difficili da riconoscere. La questione non è conservare tutto, ma riconoscere ciò che merita di essere conservato.
Verificare le intuizioni e tradurle in azione
Un primo passo è sorprendentemente semplice: dopo un’attività significativa svolta con l’AI, porsi tre domande. Abbiamo scoperto qualcosa che non sapevamo? Su quali evidenze possiamo verificarlo? Chi altro potrebbe trarne beneficio? Se le risposte sono positive, quell’apprendimento deve poter essere segnalato, valutato da persone competenti e, se confermato, tradotto in qualcosa di utilizzabile: una procedura aggiornata, un criterio decisionale, una modifica del processo.
Non serve necessariamente una nuova piattaforma. Serve un processo che colleghi la scoperta alla verifica e la verifica all’azione. Possono aiutare luoghi e momenti dedicati, come i «promptathon» e gli sportelli di consulenza sull’AI («office hours») indicati da Wiesenfeld e Kellogg. E può aiutare l’AI stessa, riassumendo un’intuizione in una nota da sottoporre a chi ha la competenza per giudicarla.
Responsabilità e fiducia per condividere conoscenza
Servono poi responsabilità precise: chi valida una nuova conoscenza, chi decide dove renderla disponibile, chi la mantiene aggiornata, chi la corregge quando nuove evidenze la mettono in discussione. Sono domande di governo e di cultura organizzativa prima che di tecnologia, e nessun sistema di knowledge management le risolve da solo.
Infine, le persone devono poter condividere anche ipotesi incomplete, errori e ripensamenti, senza che ogni contributo diventi una prova della loro performance individuale. Chi teme che una conversazione esplorativa venga usata per valutarlo smette di esplorare liberamente. La conoscenza nasce anche dal dubbio, e un’organizzazione che vuole beneficiarne deve saper proteggere quello spazio.
Il caso Sidel: dall’AI a una capacità organizzativa
Un’esperienza realizzata in Sidel nel 2026 permette di osservare questo passaggio in un contesto industriale concreto. Per tre settimane il Nextgen Innovation Lab ha riunito nel sito di Le Havre 19 partecipanti con formazione ingegneristica, provenienti da dieci Paesi, e li ha messi a confronto con problemi reali del business e con gli esperti dell’azienda, su casi di lavoro che utilizzavano l’intelligenza artificiale ed erano collegati a priorità e progetti Sidel.
Per il nostro discorso, l’aspetto interessante non è soltanto l’impiego dell’AI, ma il percorso attraverso il quale le idee sono diventate qualcosa che altre persone potevano esaminare e discutere. La prima settimana è stata dedicata all’apprendimento e all’esplorazione: workshop tecnici, incontri con esperti e una visita presso un cliente per comprendere le tecnologie Sidel e il contesto in cui vengono utilizzate.
Poi, lavorando in gruppo con esperti e facilitatori, i partecipanti hanno trasformato i concetti iniziali in prototipi, business case e prove di fattibilità, sperimentando direzioni diverse e mettendo in discussione le proprie ipotesi. Alla fine, hanno presentato le prove di fattibilità a un panel di leader ed esperti tecnici Sidel: le soluzioni sono uscite dal gruppo che le aveva elaborate, collegate alle esigenze dei clienti e alle priorità dell’azienda.
Non è la prova che una singola conversazione con l’AI abbia prodotto una scoperta poi adottata dall’intera organizzazione. Il caso suggerisce però una distinzione utile: generare un’idea e darle la possibilità di diventare conoscenza condivisa sono attività diverse. Fra le due servono confronto, sperimentazione e un risultato che altri possano valutare, senza presumere che basti rendere disponibile l’AI. La conversazione può essere il luogo in cui un’idea nasce. Non dovrebbe essere il luogo in cui finisce.
Dall’apprendimento con l’AI alla conoscenza collettiva
Lo stesso vale fuori dall’impresa. Un insegnante può sviluppare con l’AI un modo efficace di spiegare un concetto difficile, un ricercatore può formulare un’ipotesi da sottoporre a sperimentazione, un funzionario pubblico può individuare una contraddizione in una procedura, un medico può esplorare un collegamento da verificare secondo criteri clinici rigorosi. Ma milioni di dialoghi individuali non diventano automaticamente un patrimonio comune: non ogni intuizione è corretta, esistono dati personali, informazioni riservate e proprietà intellettuale da proteggere, e non tutto ciò che può essere conservato merita di esserlo.
La conoscenza collettiva richiede istituzioni e comunità capaci di distinguere, discutere e verificare, e non può essere affidata soltanto a chi produce i sistemi di AI. Università, imprese, amministrazioni pubbliche e comunità professionali dovranno creare modi per contribuire, quando è appropriato, a un patrimonio condiviso, a una condizione irrinunciabile: che la condivisione resti compatibile con la riservatezza e con la libertà di non condividere. L’obiettivo è che un’intuizione valida non scompaia soltanto perché è nata in una conversazione privata.
Un’organizzazione più intelligente sa che cosa non perdere
Ripenso alla domanda da cui eravamo partiti: volevamo soltanto capire la differenza tra Paese, Stato e Nazione. Ne è nata una riflessione imprevista, poi una domanda su come l’AI apprenda e infine questa considerazione sul rapporto tra intelligenza individuale e conoscenza collettiva. Non dimostra che l’AI produca da sola idee originali. Mostra che il dialogo con un sistema generativo può aiutarci a elaborare collegamenti, rivedere convinzioni e formulare domande che prima non avevamo.
Se questo accade anche solo in una parte delle conversazioni che ogni giorno si svolgono nelle organizzazioni, abbiamo davanti un’opportunità importante. Ma decidere che cosa fare di ciò che arriviamo a comprendere è una responsabilità che non possiamo delegare alle macchine.
Un’organizzazione non diventa più intelligente semplicemente acquistando strumenti più intelligenti. Lo diventa quando cambia ciò che è capace di comprendere, decidere e fare grazie a essi.































Partecipa alla community