Da agosto 2026, nel menu con i tre puntini di alcuni post e commenti su LinkedIn può comparire «Sembra contenuto IA scadente».

Se provate a cercarla su un vostro post, non la troverete: l’autore vede i comandi di gestione del proprio contenuto. La funzione, inoltre, non compare ancora in tutti i menu.

LinkedIn la presenta come un feedback sulla qualità, distinto dalla segnalazione di una violazione. Con quel comando un utente comunica che il contenuto gli sembra generico, ripetitivo, privo di un punto di vista o probabilmente prodotto dall’IA.

Secondo LinkedIn, più di un milione di persone ha usato la funzione nelle prime due settimane. Le indicazioni raccolte contribuiscono ad addestrare i classificatori con cui la piattaforma individua i contenuti considerati di scarso valore. Se un post riceve abbastanza indicazioni, il suo autore può trovare nelle statistiche un avviso privato.

La singola indicazione non comporta la rimozione del post e non produce un contrassegno pubblico. LinkedIn dichiara però che i propri classificatori possono limitare la distribuzione dei contenuti classificati come «AI slop».

Qui emerge una differenza importante rispetto al rilevatore del watermark di Claude, di cui ho scritto nei giorni scorsi. Quel rilevatore cerca uno schema statistico nella scelta delle parole. Il pulsante di LinkedIn raccoglie invece il giudizio di chi legge.

La formula italiana rende evidente il problema: «contenuto IA scadente» unisce l’ipotesi sulla provenienza del testo e la valutazione della sua qualità. Un testo può essere scadente senza essere stato prodotto dall’IA; può anche derivare dall’IA e contenere idee, verifiche e revisioni sostanziali.

Il punto delicato è questo: il pulsante registra una percezione. Chi lo usa può esprimere il giudizio con un clic, senza indicare quali passaggi siano generici, falsi o privi di sostanza.

LinkedIn raccoglie queste reazioni e le trasforma in segnali per i propri sistemi di classificazione. Restano riservati la soglia, il peso delle singole indicazioni, i criteri applicati e il modo in cui vengono riconosciuti errori e abusi. La piattaforma ci chiede quindi di fidarci di un processo che possiamo osservare soltanto nei suoi effetti.

Io continuo a preferire il giudizio di persone identificabili, accompagnato da argomenti che si possano discutere. Un commento firmato e motivato permette di capire chi giudica, quali elementi considera e quale criterio applica. Il clic può fornire un segnale; la sua trasformazione in un giudizio sulla qualità e sulla distribuzione dei contenuti richiederebbe molta più trasparenza.

C'è un aggiornamento sul sistema di marcatura dei testi annunciato da Anthropic ad agosto. Dal 1° settembre alcune organizzazioni possono chiedere di accedere al rilevatore. Del suo funzionamento parlavo qualche giorno fa nell'articolo «Nulla da dichiarare?».

Possono fare richiesta autorità pubbliche, forze dell'ordine, media, organizzazioni di verifica delle informazioni, ricercatori e organizzazioni educative. Anthropic non pubblica criteri di selezione precisi; nel modulo bisogna indicare identità, organizzazione o affiliazione, sito e uso previsto.

Le organizzazioni ammesse possono integrare il rilevatore nei propri strumenti per valutare se un testo sia stato generato o rielaborato con Claude.

Il meccanismo agisce durante la generazione. Quando sono possibili più parole, una chiave crittografica modifica le probabilità con cui ciascuna può comparire. La successione delle parole conserva così uno schema statistico invisibile all'occhio umano, ma riconoscibile dal rilevatore.

Da questo meccanismo derivano anche i limiti. Una riscrittura umana profonda tende ad attenuare il segnale fino a farlo scomparire; una scrittura umana seguita da una riscrittura affidata a Claude tende a intensificarlo.

Il rilevatore stima quanto la formulazione derivi dalle scelte di Claude. Analizza la forma, non la sostanza. Non può indicare da dove arrivino le idee, se siano coerenti, sensate, interessanti o utili, né quale processo abbia portato al risultato. Indica soltanto che nella formulazione resta una traccia statisticamente significativa delle scelte di Claude.

La domanda diventa allora: cosa ce ne facciamo di questo indicatore? O meglio, cosa ne faranno quelli che lo utilizzeranno?

Può servire per «sgamare» rapidamente testi prodotti in serie con Claude e poco rivisitati. Posso immaginare applicazioni in molti campi, dall'educazione alla selezione del personale.

Usato senza altre analisi, però, può produrre distorsioni.

Un testo utilissimo, costruito attraverso prompt sofisticati e un sistema ben curato di standard e linee guida, verrebbe marcato come «fatto con Claude»? Fin qui va bene, ma poi? Viene cestinato oppure solo vagliato con maggiore attenzione? Qui entrano le scelte importanti.

Viceversa, un testo scritto integralmente da un umano, con «poche idee ma ben confuse», passerebbe il controllo? Qualcuno lo leggerà e si accorgerà che vale poco?

Dipende da cosa si sta cercando. Occorre fare attenzione ai meccanismi che sembrano offrire risposte semplici, perché spesso nascondono trappole.

Vogliamo escludere qualsiasi testo «toccato» da Claude? Oppure vogliamo capire se quel testo ha valore e utilità?

Nel secondo caso, temo che l'unica vera possibilità sia LEGGERLO e VALUTARLO con il proprio spirito critico.

Ad agosto (2026) Anthropic ha annunciato che i testi prodotti da Claude conterranno un contrassegno invisibile, per adempiere agli obblighi di trasparenza dell'AI Act.

La regola, a quanto ho letto, vale per i modelli lanciati dal 2 agosto. Da quella data fino ad adesso Anthropic non ne ha ancora rilasciato nessuno. Al momento l'ultimo è Opus 5, del 24 luglio. Sui modelli precedenti l'azienda dichiara un'introduzione progressiva, con una transizione che arriva a dicembre. È stato anche annunciato uno strumento per verificare i contrassegni che al momento non mi risulta sia ancora disponibile. Si tratta perciò di un annuncio di cose che arriveranno nelle prossime settimane o mesi ma delle quali è interessante parlare fin da adesso per le implicazioni che hanno.

Il principio tecnico è quello di SynthID-Text, che Google DeepMind ha pubblicato nel 2024. Il modello IA genera testo scegliendo continuamente tra diverse parole possibili nel punto della frase a cui è arrivato.

Per esempio, ad un certo punto potrebbe inserire "però" oppure "tuttavia", e per chi legge questo sarebbe egualmente plausibile. Di norma quella scelta la fa un generatore di numeri casuali ma, con il SynthID, la tecnologia per marcare i testi di cui dicevamo, il modello decide quale parola mettere in base ad una chiave crittografica e alle parole già scritte fino a quel momento. Dalla scelta di quelle parole e dalla loro successione è possibile ricostruire un segnale che indica quale modello ha prodotto il testo.

Non viene aggiunto nessun carattere e l'umano di turno, leggendo, non può accorgersi del messaggio contenuto in una certa sequenza più o meno probabile di parole sensate. Questo è almeno quello che ho capito leggendo l'articolo. Ingegnosissimo.

Il segnale, contenuto nella struttura del testo, si trasmette anche con il copia-incolla naturalmente, ma è meno forte invece nei casi dove le parole sono obbligate, perché in un passaggio fitto di numeri, nomi e norme le alternative sono poche, e dopo "due più due fa" non ci sono molte possibilità tra cui scegliere, quindi è più difficile "marcare" il testo attraverso la statistica delle parole.

Altra caratteristica del meccanismo utilizzato è che il segnale tende a sparire man mano che il testo viene editato da un umano o da un altro modello che non segue lo standard di marcatura. Anthropic non ha ancora pubblicato (dicono che lo faranno) la specifica del proprio sistema, quindi soglia di rilevazione e robustezza restano da vedere.

Anthropic dichiara anche un limite. Il contrassegno segnala solo che un testo è stato modificato usando Claude, ma non ti dice se le idee iniziali sono state generate dall'IA o da una persona, non ti può dire se il testo è stato solo revisionato o generato da zero. Dice che alcune frasi sono state rigenerate, nient'altro.

Chi legge un'etichetta però, potrebbe farlo distrattamente, non chiedersi cosa misuri di preciso e prenderla per una valutazione di tutto il lavoro. Un primo effetto, quindi, potrebbe essere che "fatto con Claude", o qualsiasi altro servizio che adotti un sistema simile, diventi il sinonimo di AI slop.

Slop in inglese vuol dire brodaglia, sbobba, e AI slop è il nome che si è diffuso per i testi sfornati in serie dall'IA, puliti nella forma ma senza sostanza e spesso troppo lunghi, pubblicati magari per dare continuità di presenza sui social.

Un'altra conseguenza della eventuale diffusione di questo tipo di "marcatura dei testi IA" potrebbe essere che le persone staranno più attente al processo con cui i testi sono prodotti?

Riguarderebbe sia chi legge, che potrebbe essere più motivato a leggere qualcosa che è dichiaratamente "AI free" o quantomeno fortemente rielaborato, perché apprezza la genuinità dello sforzo autoriale… sia chi scrive che sa che più scriverà di suo pugno o modificherà la proposta iniziale dell'IA, meno sarà probabile ricevere il bollino "fatto con l'IA".

Questo, tutto sommato, sarebbe un effetto utile per aumentare l'attenzione delle persone all'utilizzo indiscriminato dell'IA.

Il rovescio della medaglia è che potrebbe invece diventare un modo sbrigativo per etichettare il lavoro fatto senza badare al reale valore di ciò che è stato prodotto, rimanendo al livello del contenitore senza occuparsi del contenuto.

L'indicatore insomma può anche avere una sua utilità, ma la cosa più utile mi sembra sia la capacità "dell'umano nel giro" (come si traduce "human in the loop"?) di coltivare il proprio senso critico sia rispetto al contenuto che alla forma, in modo da essere effettivamente in grado di riconoscere autonomamente un testo scritto bene, strutturato, con un filo logico e magari preciso semanticamente e gradevole, piuttosto che doversi affidare ad un indicatore.

Tra l'altro, l'IAese, il dialetto che contraddistingue, almeno per il momento, le produzioni linguistiche dell'IA, fatto di tic verbali, inglesismi, strutture riconoscibili di definizione per negazione presenti con grande frequenza eccetera (vedi il post "Onestamente parliamo IAese"), è riconoscibilissimo da un umano attento anche a occhio nudo, senza bisogno di algoritmi e automatismi.

Ovviamente staremo a vedere come sarà l'effettiva realizzazione di questa funzionalità di marcatura linguistica, per capire se possono avere una qualche utilità al di là dell'utilizzo strumentale da parte dei provider di servizi di IA per poter dire di avere ottemperato alle direttive europee e di avere a cuore l'eticità dei loro prodotti.

Se la guardiamo invece dal punto di vista del professionista che lavora, e ci tiene che il lavoro sia ben fatto, forse le cose si semplificano un po'. Alla fine quello che conta è che il risultato abbia la qualità giusta e il giusto valore per chi lo deve utilizzare. Altrimenti si applica la nota storiella de "l'operazione è perfettamente riuscita, ma il paziente è morto".

Sapere quale è stato il processo viene in seconda battuta e può essere importante soprattutto in questa fase di cambiamento veloce dei modi di lavorare, perché permette a chi riceve il risultato di fare più facilmente una verifica in più sulla sua affidabilità.

Allora può essere utile sapere se il documento che ci è stato inviato è stato generato all'origine da una IA generativa e poi corretto da un umano o viceversa, se sono stati fatti dei controlli specifici sulle fonti, quali passaggi di controllo qualità sono stati effettuati.

Ma il test finale rimane pur sempre il risultato, il paziente vivo e possibilmente di buon umore.

Nel mio libro "Il professionista e l'intelligenza artificiale", pubblicato di recente, affronto i temi della attribuzione, della tracciabilità e dell'accuratezza sotto forma di dilemmi e di opzioni concrete tra le quali scegliere.

Inoltre ho cercato di applicare al libro stesso i ragionamenti di cui si parla qui e quindi ho aggiunto una post-fazione che racconta le modalità operative usate per scriverlo, fornendo anche alcuni dei prompt più significativi. Sono prompt molto lunghi, delle vere procedure operative e attraverso questa operazione credo di avere reso più visibile ed esplicito anche il processo di produzione. Quanto sia stato efficace lo giudicheranno i lettori, si tratta di un esperimento che sicuramente mi ha permesso di ragionare su queste cose in maniera concreta.

Ecco, credo che ognuno debba poi fare i propri esperimenti per capire come regolarsi e cosa dichiarare a chi riceve il lavoro. Sarà poi interessante vedere cosa diranno gli indicatori di "fatto con l'IA" dei testi prodotti e la correlazione con la qualità percepita.

«Onestamente, la questione cruciale non è quale strumento usi, è come lo usi.» Per me questa è una frase-mostro, ma l'IA spesso parla così. Per esempio mette «onestamente» dappertutto, un calco dall'inglese diventato tic verbale, e chi è della mia generazione si ricorda «cioè» come intercalare ossessivo negli anni Settanta. E poi le definizioni per contrasto, «non è X ma è Y», gettonatissime nelle produzioni linguistiche degli LLM.

È l'IAese, un nuovo dialetto dell'italiano.

Nel libro che ho scritto con l'aiuto dell'IA, e che esce lunedì 14 settembre, per evitare l'IAese e usarla lo stesso, in parte, ho dovuto lavorarci su parecchio.

Le IA generative hanno «imparato» a scrivere su testi in buona parte anglosassoni e confezionati per il web, e ne hanno ereditato i modi di dire e i movimenti di pensiero. Poi, col fine tuning, sono state educate a «piacerci», premiando le risposte che spiegano e rassicurano.

Certo, questi strumenti si possono personalizzare in molti modi, ma l'IAese salta fuori continuamente.

Molte persone lo prendono per buono. Se uno ha fretta e il testo che gli torna indietro è pulito e corretto, preme invio e va avanti... e ovviamente capita anche a me che cerco di starci attento.

Ci sono siti che calcolano la probabilità che dietro un testo ci sia stata una macchina, ma in realtà bastano tre righe. Quando troviamo una definizione per negazione e due o tre slogan sappiamo già cosa è successo.

Ecco, io poi spesso, a quel punto, perdo la motivazione a leggere. Un po' come se mi dicessi: ma se chi ha scritto non ha badato a quello che scriveva, perché io dovrei dedicare attenzione? Certo, se il contenuto mi serve molto, magari passo sopra, ma rimane quella sensazione di essere stati poco considerati. «Ti faccio scrivere dal mio chatbot...».

Il punto non è se l'autore usa o no l'IA, per me, come non mi interessa se ha usato una biro o una stilografica, il punto è se l'autore ha almeno riletto il pezzo. (questa è una forma non è X ma è Y, però ce l'ho messa io di mio pugno... sarà un apprendimento di rimando? A me sembra ci stesse bene).

Nel libro ho messo un'appendice in cui spiego come ho fatto per cercare di ottenere dei testi che fossero scritti senza IAese in partenza.

Molte parti del libro le ho scritte prima io e poi corrette con l'IA, altre parti le ha scritte prima l'IA e io le ho riviste, anche parecchio. Non saprei dire la percentuale, ma il procedimento di scrivi, rileggi, riscrivi mi è ben noto e praticato a lungo anche prima del 2022 (anno di ChatGPT, per intenderci). E non finirei mai, perché scrivere mi piace.

Forse anche questo è un punto importante, l'IAese può andare bene se ci si rende conto di cosa fa al linguaggio, all'effetto relazionale e di cosa potrebbe fare al nostro piacere di comunicare.

Il test decisivo mi sembra sia rileggere (con calma) e domandarsi: «questo testo lo riconosco come mio?».

L'altro giorno ho scritto che l'IA generativa fa nascere molti dubbi su come e quando usarla, e che, alla fine, la domanda di fondo è "la uso o non la uso?". Magari non intendiamo in assoluto, magari ce lo domandiamo riguardo a una specifica attività.

Nel mio libro che esce il 14 settembre, «Il professionista e l'intelligenza artificiale», parlo di proprio di queste casistiche, delle varie sfaccettature dell'usare l'IA e delle infinite vie di mezzo tra il totale rifiuto e l'adesione acritica.

Un utilizzo "con discernimento" implica essere disposti a verificare, contestualizzare e rispondere di quello che consegno. Rispondere però comprende anche il processo con cui ci arrivo, perché quello che consegno deriva proprio da quel processo. E il processo poggia su premesse e presupposti.

I presupposti però sono "trappolosi". Sono ciò che dò per buono prima di cominciare. Sono "supposti prima", appunto... per questo faccio fatica a vederli. Se me ne accorgessi smetterebbero di essere dei presupposti e diventerebbero delle scelte.

Fare una sintesi, per dire... Magari nel farla dò per scontato che conti quello che è stato detto, mentre a volte conta di più quello che si è evitato di dire e il contesto in cui è accaduto.

Anche un modello linguistico funziona per presupposti, anzi, si potrebbe dire che è interamente basato sui presupposti. Calcola quale parola mettere per continuare la frase, e, in definitiva, calcola che dopo una certa frase ci stia bene una certa altra frase.

Sulla base di cosa fa il calcolo? Dei "presupposti" che ha ricavato dai testi su cui è stato addestrato (mi si perdoni la iper-semplificazione, ma l'analogia mi sembra utile).

Quindi in un lavoro fatto con l'IA generativa i presupposti hanno due provenienze, i miei e quelli del modello.

Riconoscerli è un lavoro da fare in modo consapevole e sistematico, e vuol dire rendere esplicito quello che altrimenti rimane implicito.

Quando chiedo all'IA quella sintesi di cui dicevo, può essere che nel chiederlo io suggerisca già una certa impostazione, magari senza rendermene conto. E quando leggo il risultato può essere che io accetti l'ordine in cui il modello ha messo le cose. Se non ci bado, se sono stanco, se abdico...mi ritrovo incanalato su una strada che non ho veramente scelto.

Appena l'implicito diventa esplicito, quella che sembrava l'unica strada diventa una fra diverse opzioni.

Nel libro parlo di dieci dilemmi che riguardano l'uso dell'IA generativa nel lavoro, e delle opzioni che un professionista ha davanti per ciascuno di essi.

Anche questo post poggia su una premessa, ed è la stessa del libro. Che chi legge ci tenga al proprio lavoro, voglia portare valore con quello che fa e, proprio per questo, voglia mantenere un certo controllo su come lo fa.

La consegna è per domani mattina, e serve un'analisi che dica com'è la situazione, quali opzioni ci sono e che cosa conviene fare per primo.

Chi a quel punto apre un assistente di IA generativa e gli descrive il caso, in pochi minuti ha davanti una traccia con l'impianto del ragionamento, i dati di contesto e alcune raccomandazioni. Una aggiustatina e via!

Chi l'assistente IA non lo usa o magari non ne vuole neanche sentir parlare, l'analisi se la fa alla vecchia maniera, ci passa la serata e va a letto tardi (alle tre, appunto).

È una scelta, da una parte ci sono un po' di ore risparmiate (buttale via...) ma anche una certa sensazione che magari non ho fatto un lavoro così accurato come avrei dovuto (ahi ahi ahi!), dall'altra una maggiore sicurezza nel dare le risposte al cliente, ma anche il rimpianto per la serata dedicata al lavoro invece che ad altro.

Nel primo caso, se voglio davvero metterci pochi minuti come spesso viene propagandato dai tecnomani dell'IA, mi sono dovuto accontentare di una soluzione in cui una serie di decisioni non sono state prese da me, ci ha pensato l'algoritmo, con il suo addestramento, in cui qualcuno ha deciso di includere o meno certe cose, le sue linee guida, in cui qualcuno ha deciso di dare certi indirizzi… e questo qualcuno non sono io, sono i team di lavoro dei fornitori di servizi (OpenAI, Google, Anthropic etc.), sono i produttori dello strumento che utilizzo.

Mi sta bene così? Ci avevo pensato mentre lo facevo?

Nel secondo caso chi si è scritto l'analisi da sé, magari con l'aiuto di qualche ricerca web e un foglio di calcolo, può essere che sappia meglio da dove viene ogni passaggio. Le domande sono poi le stesse. Mi sta bene così? È una scelta o è solo che non mi sono ancora messo a sperimentare e imparare a sufficienza?

In mezzo ci sono tutte le sfumature naturalmente e i dubbi abbondano.... e il capostipite di tutti i dubbi mi sembra che sia "la uso o non la uso, 'sta intelligenza generativa?"

Se la uso - e non mi accontento di infilare la testa in un sacco e non pensarci - ci sono molte implicazioni: riservatezza, il fatto che poi "disimparo" a pensare o a fare i riassunti, l'impatto ambientale...

...già, ma se non la uso... che succede? Cosa rispondo ai clienti che magari mi chiedono di fare le cose in metà tempo "tanto c'è l'IA"? Che strategia professionale ho rispetto ai colleghi o ai concorrenti che la usano?

Faccio l'artigiano del "fatto a mano"? Anzi, del "pensato umano"? Funzionerà? ...o farà l'effetto di un contabile col pallottoliere?

Quando ChatGPT è arrivato al pubblico, il 30 novembre 2022, grandi domande da farsi, se si guardava al lato pratico, non ce ne potevano essere. Al massimo poteva fare un riassunto di una mail o poco più. Poi però la faccenda è cambiata parecchio e con una velocità a cui non siamo abituati.

Adesso si può concretamente delegare un bel po' di lavoro alla macchina, che è diventata capace di manipolare i file direttamente sul nostro pc, collegarsi con mail, calendario e cento altre cose, orchestrare processi complessi.

Sarà difficile che l'intelligenza generativa sparisca dai nostri pc nel breve termine, si può scegliere di prendere le cose come vengono, oppure porsi il problema di governarla, almeno nei limiti del possibile che ci è concesso come "utenti consapevoli dotati di discernimento"...

Ne parlo nel mio libro: «Il professionista e l'intelligenza artificiale. Dilemmi, scelte e responsabilità nel lavoro quotidiano con le IA generative» che esce a settembre.

Oggi vi racconto un caso reale di applicazione della metodologia di facilitazione del cambiamento che ho adattato ai progetti IA. La metodologia si chiama FAID: Facilitazione del cambiamento organizzativo nei progetti ad alta intensità IA, con Discernimento.

Un distributore di materiali tecnici per l'edilizia riceve ogni giorno una cinquantina di documenti dai suoi fornitori, dichiarazioni di prestazione, rapporti di prova, schede tecniche. Le quattro persone dell'ufficio tecnico li confrontano con quanto richiesto nell'ordine e nel capitolato e poi li includono tra le pezze di appoggio da rifatturare all'azienda cliente. Metà dei documenti vanno lavorati a mano, perché i cinquecento fornitori scrivono le stesse cose con nomi e unità di misura diversi, e cambiano impaginazione spesso (e senza avvisare). Con una macro o uno sviluppo software non ce la si fa ad automatizzare l'attività, gli input sono troppo variabili. Quindi il tutto continua ad essere svolto manualmente, con lentezza e spesso con errori e ritardi.

Nessuno è felice del processo attuale, né l'azienda, né i clienti e certo non le persone dell'ufficio tecnico, che svolgono questa attività in aggiunta a tutte le altre. Perciò si vorrebbe migliorarlo.

Con l'arrivo dell'IA generativa a qualcuno in azienda viene l'idea che forse si potrebbe rimediare a questa situazione e viene chiamato un fornitore esterno per analizzare il processo e proporre una soluzione. Viene proposto un sistema basato su un modello di intelligenza artificiale generativa, che, con un po' di allenamento, diventi capace di interpretare tutti i formati e fare le operazioni di riconciliazione, smistamento, segnalazione di anomalie con una buona percentuale di successo (95%). Il sistema leggerà i documenti in ingresso, li aggancerà alla bolla, confronterà i valori tenendo conto di tolleranze e sinonimi, preparerà i documenti in uscita e segnalerà l'esito in un report con un codice a semaforo: verde quando è sicuro, giallo quando conviene controllare, rosso quando serve rifare a mano.

L'approvazione finale la dovrà comunque dare una delle persone dell'ufficio, perché il sistema, come tutti i modelli di intelligenza artificiale, propone il risultato più probabile, giusto nella grande maggioranza dei casi, ma senza garanzia del 100% sul singolo documento.

Il processo di lavoro cambierà e soprattutto cambierà il ruolo delle persone dell'ufficio tecnico. Fino ad oggi, fanno tutte le analisi e preparano loro i documenti. Da domani approveranno documenti preparati da un sistema.

Sono due lavori diversi, il primo è più noioso e ripetitivo, magari per alcuni però dà la sensazione di fare qualcosa di concreto. Il secondo richiede concentrazione e i casi sono più variegati, ma dà meno la sensazione di aver lavorato davvero.

Per realizzare il sistema di IA che svolge questo compito viene organizzato un progetto tecnico con un piano di lavoro, con le sue fasi e le sue scadenze. Per la parte che riguarda il modo in cui sostenere le quattro persone dell'ufficio tecnico in questa transizione invece? Cosa è stato previsto? Qual è il modello di intervento? Sarebbe utile avere uno schema di gioco a cui appoggiarsi?

Ecco, questa è appunto la situazione per la quale ho sviluppato la metodologia di facilitazione del cambiamento IA con discernimento (FAID). Una metodologia è composta da una sequenza di attività da fare e da strumenti da utilizzare in queste varie fasi.

Questa di cui vi parlo ha basi solide, perché le metodologie di intervento per facilitare il cambiamento esistono da parecchi anni, e tuttavia introduce alcune distinzioni e seleziona alcuni strumenti che aiutano a stare al passo con i progetti dove l'intelligenza artificiale ha un peso rilevante.

Una prima distinzione importante da mettere a fuoco è l'ambito relazionale, suddiviso in tre dimensioni: la dimensione professionale, quella delle relazioni di lavoro e quella del sistema organizzativo.

Dimensione professionale.Nel nostro caso dell'ufficio tecnico abbiamo per esempio la persona che lavora lì da quindici anni e sa a memoria quali fornitori sono affidabili, quale scostamento si può accettare e quale invece merita una telefonata. Sarà la persona chiave da intervistare per distillare le linee guida da dare allo strumento di IA e aiutare a definire una casistica significativa per allenarlo. In questo processo quella persona, che ovviamente è intelligente, si rende perfettamente conto che sta fornendo alla macchina la propria esperienza. Come reagirà? Sarà disponibile? Potrebbe provare un certo livello di ansia? (a me succederebbe di sicuro). Evidentemente il suo ruolo è messo in discussione. C'è una visione di come evolverà? Una buona mossa è fare una analisi di impatto sui ruoli, cioè una analisi condivisa con gli interessati sul ruolo organizzativo. Quali responsabilità e attività prevede ora, quali saranno le attività e le responsabilità future. Ci possono essere delle incognite che dipendono dai risultati del progetto di automazione, e proprio per questo conviene coinvolgere le persone in modo diretto e pianificato, con modalità ispirate al coaching, aiutandole a trovare loro la soluzione, anche in gruppo, piuttosto che consegnargliela preconfezionata dall'azienda.

Relazioni di lavoro.È la dimensione delle relazioni dentro al gruppo di lavoro o all'unità organizzativa per la quale avviene il cambiamento del modo di lavorare. Nel nostro esempio, nell'unità organizzativa ufficio tecnico, potrebbero succedere varie cose. La prima è che tra le quattro persone che lo compongono, ci sarà magari una che impara per prima e meglio degli altri come si correggono gli output del nuovo sistema IA e che diventa il punto di riferimento dei colleghi senza che sia stato deciso da qualcuno. Potrà succedere che questo stia bene a tutti quanti, ma può anche succedere che qualcuno si senta messo in ombra e si generino malumori o comportamenti meno collaborativi del normale. Nello stesso tempo chi coordina il gruppo vedrà cambiare anche il suo ruolo, perché diventerà il coordinatore di supervisori, con attività diverse da quelle di prima, e la persona potrebbe non sentirsi così sicura di sé. Si può lasciare che tutto questo accada con dinamiche proprie oppure decidere di fornire un supporto alle persone per rendere più rapido e meno faticoso questo cambiamento di abitudini (di pensiero).

Una tecnica è quella della scheda tuning IA. Consiste nell'aprire una conversazione su come l'IA cambia le relazioni di lavoro e provare a riconoscere insieme quali aspetti sono coinvolti e su quali può essere opportuno ritarare il modo di lavorare. È un intervento di team coaching e va svolto con l'aiuto di un professionista, pena il rischio che la discussione non sia produttiva o non tocchi le questioni critiche. L'obiettivo è produrre un breve documento di sintonizzazione dove il gruppo definisce alcune linee guida di comportamento e di scambio al suo interno.

Sistema organizzativo.Nel nostro esempio, se viene messa in funzione una soluzione IA che automatizza la gestione della documentazione per la rifatturazione al cliente, ci sarà una serie di cambiamenti organizzativi di conseguenza. I tempi promessi ai clienti verranno ricalcolati (e abbreviati), gli indicatori con cui si valuta l'ufficio tecnico verranno rivisti e nello stesso tempo le persone continueranno ad essere responsabili della correttezza della documentazione emessa verso il cliente. Tutte queste cose vanno decise e non sempre sono oggetto del progetto tecnico che realizza lo strumento di supporto.

Queste decisioni vanno prese da chi governa l'azienda con il giusto grado di partecipazione delle persone coinvolte, e il lavoro di facilitazione consiste nell'aiutare a prenderle al momento e con le modalità giuste. Su questa dimensione la metodologia prevede due strumenti, il governo della sequenza e la checklist di prontezza agentica. Il primo serve quando un'azienda avvia più iniziative IA insieme e deve decidere quale parte per prima e quanto tempo lasciare tra una e l'altra, perché ogni gruppo coinvolto ha bisogno di un intervallo per assimilare il cambiamento precedente. Non è il nostro caso, quindi vediamo il secondo strumento: la checklist di prontezza agentica.

Serve a raccogliere le risposte ad una serie di domande su cui è utile che le persone che lavoreranno con il nuovo sistema e chi ne ha la responsabilità in azienda si confrontino prima che tutto sia definito. Chi supervisiona che cosa? Con quale frequenza? Come si intercetta un errore prima che arrivi al cliente? Quali decisioni rimangono in capo alle persone? Il valore sta più nel processo di comunicazione e di presa di consapevolezza che l'attività di compilazione congiunta della checklist mette in moto, piuttosto che nelle risposte finali, che tra l'altro possono cambiare nel tempo con la fase di avviamento e sintonizzazione degli strumenti di supporto e quindi del processo di lavoro. Si tratta di un vero e proprio allenamento a comunicare all'interno del gruppo e tra livelli gerarchici.

Nell'esempio del distributore di materiali per l'edilizia, nessuna di queste domande aveva ancora una risposta chiara quando è iniziato il progetto. Il sistema segnerà in verde i documenti su cui è sicuro, e qualcuno dovrà decidere se quel verde vale come approvazione oppure se una parte va controllata lo stesso.

Da quella decisione dipende, ad esempio, chi risponderà di un documento sbagliato arrivato al cliente. Non è una buona idea discuterne solo quando si presenterà il primo caso.

Nelle aziende di una certa dimensione potrebbe esistere una funzione dedicata al cambiamento organizzativo in grado di condurre, in casa, le attività di facilitazione. Più spesso questo compito, se lo si vuole svolgere, tocca al responsabile dell'unità coinvolta, magari con il supporto di un professionista interno o esterno che porti il metodo. Serve un mandato esplicito, del tempo assegnato e uno spazio per riferire agli sponsor del progetto.

Le attività di facilitazione si distribuiscono lungo le fasi del progetto, dalla decisione iniziale al momento in cui le abitudini nuove si stabilizzano. Ovviamente non basta sperare che vada tutto bene, è necessario misurare i risultati. Solo che farlo soltanto alla fine del progetto non permette di correggere il tiro quando si è ancora in tempo.

Serve un sistema di monitoraggio del cambiamento che permetta di osservare cosa accade nelle tre dimensioni, persona, gruppo, organizzazione e che consideri, oltre ai classici indicatori di prestazione (performance), anche quelli di adozione (adoption).

Sulle performance siamo tutti preparati. Nel nostro esempio l'obiettivo per l'ufficio tecnico era processare ogni mese tutte le pezze d'appoggio da rifatturare, entro 3 giorni e con al massimo 1% di errori. Per l'adoption bisogna ingegnarsi un po' di più.

Si tratta di individuare alcune attività chiave del progetto che, se svolte bene e in tempo utile, fanno prevedere che poi arriveranno anche i risultati di prestazione. Oggi per la maggior parte delle attività svolte in azienda abbiamo dati che le tracciano, si tratta di prevedere dall'inizio, nel progetto, quali dati raccogliere e come utilizzarli anche nella fase di transizione. Sapere con che frequenza le persone usano specifiche funzionalità del nuovo strumento, permette di capire se le cose stanno andando come previsto. Se il sistema di riconciliazione e smistamento del nostro esempio ha una funzionalità di segnalazione anomalie e le persone dell'Ufficio tecnico non la usano fin dai primi giorni, sicuramente non potrò poi avere i risultati sperati.

Non è complicato e neanche troppo costoso, se lo si decide prima di cominciare. Il problema è che, primo, non siamo abituati a pensarci e che, secondo, misurare i comportamenti è sempre molto delicato e va fatto con l'obiettivo di aiutare e facilitare le persone nella transizione. Se c'è il vago sospetto che venga fatto per controllare e valutare potrebbe non funzionare come sperato.

Quindi dati sempre aggregati e mai individuali, rilevazioni fatte alla luce del sole e spiegate bene (prima di farle, non dopo), condivisione degli indicatori. Se non si fa bene questa è una cosa che invece di aiutare diventa un ulteriore problema da risolvere.

Tutte le azioni che utilizzano gli strumenti di cui vi ho detto possono essere ospitate in un documento di sintesi, un piano di facilitazione del cambiamento che, come detto, è meglio nasca all'avvio, insieme al piano di progetto.

Sono cose già viste e sentite, fare piani, occuparsi delle persone e non solo del lato tecnico, farlo per tempo e con il giusto coinvolgimento… Il punto è poi eseguirle bene e adattarle alle peculiarità dei progetti IA che, per l'intensità e la portata dei cambiamenti introdotti, hanno le loro caratteristiche specifiche, di cui ho parlato negli altri articoli di questa serie.

Ovviamente però ha senso parlare di tutto questo se qualcuno ha effettivamente deciso di introdurre IA in azienda. Lo stanno facendo in molti ma moltissimi sono ancora nella fase in cui ci stanno pensando o sono concentrati su altre priorità.

Dovremo parlare allora anche della fase a monte. Quali sono i possibili scenari in cui si trovano le imprese e che potrebbero spingere i vertici o la proprietà a considerare interventi IA sui processi?

Ne riparliamo.

Sono responsabile del servizio clienti di un'azienda che produce accessori per la casa. Il mio lavoro consiste nel processare gli ordini che mi passano i venditori, rispondere alle richieste che i clienti mi mandano direttamente, e risolvere i dubbi quando qualcosa non funziona con una spedizione o con la merce ricevuta. Da qualche tempo ho dei nuovi aiutanti. Un agente IA legge la posta in arrivo, riconosce se si tratta di un ordine, di una domanda o di un reclamo, e prepara una prima bozza di risposta oppure smista la richiesta a chi se ne deve occupare. Un altro controlla ogni giorno lo stato delle spedizioni in corso e segnala quelle in ritardo prima ancora che il cliente scriva per lamentarsene. Un altro ancora, quando arriva un reclamo sulla merce ricevuta, raccoglie da solo la documentazione utile, foto allegate, numero d'ordine, scambi di mail precedenti, e prepara una bozza di risposta pronta per la mia revisione.

Assegno un obiettivo a ciascuno di questi aiutanti, verifico come si organizzano per raggiungerlo, controllo i risultati intermedi, correggo, fornisco esempi, a volte critico apertamente quello che hanno prodotto.

Quando formulo male un obiettivo, o quando i risultati intermedi sfuggono al controllo, il prodotto finale si scosta da quello che serve, e nessuna capacità tecnica dello strumento rimedia da sola. Gli agenti non si stancano e non si oppongono, anzi rispondono sempre con la stessa disponibilità, “hai ragione, non avevo considerato questo aspetto, lo sistemo subito”, e ripartono in pochi secondi.

Questa combinazione di obbedienza e velocità produce un effetto che chi comincia a usare agenti IA sottovaluta quasi sempre. Il limite del sistema è la capacità della persona di dare indicazioni chiare e di verificare i risultati abbastanza in fretta da tenere il ritmo.

Per capire perché questo cambia il lavoro di molte persone, conviene chiarire che cosa sia un agente IA. Il vocabolario Treccani definisce agente, in una delle sue accezioni, come “chi agisce per conto di altri, chi è incaricato di trattare affari per conto di una persona o di una ditta o di un ente pubblico”. Un agente IA applica la stessa idea a un sistema software, che agisce per conto di chi lo usa sulla base di un obiettivo assegnato, degli strumenti e delle informazioni a disposizione, e compie azioni autonome per raggiungere quell'obiettivo senza che una persona approvi ogni singolo passo. Quando conversiamo con un'IA generativa, ogni passaggio nasce da una nostra richiesta e ogni risultato torna a noi prima del passaggio successivo. Quando invece assegniamo un obiettivo a un agente, la catena dei passaggi intermedi avviene senza di noi e il nostro controllo si sposta sul risultato.

Un ambiente agentico costituisce lo spazio in cui questo livello di autonomia diventa possibile, uno spazio fatto di permessi, strumenti collegati e materiali di lavoro condivisi come per esempio cartelle di lavoro, caselle di posta o la connessione ad un sistema aziendale.

Da qui nasce la promozione che dà il titolo a questo articolo. Chi fino a ieri non aveva mai avuto un collaboratore da gestire, nessun riporto, nessuna persona a cui dare un obiettivo e di cui verificare il lavoro, si trova a farlo con una squadra di agenti IA, quindi a dare istruzioni, controllare come procedono, verificare i risultati e correggerli quando serve.

Chi già coordinava un gruppo di persone compie un passo ulteriore, perché deve occuparsi anche di colleghi che a loro volta coordinano agenti IA, quindi di altri responsabili di squadre più piccole. Dare indicazioni su un compito operativo e verificarne il risultato è un lavoro diverso dal dare indicazioni a chi guida e verifica il lavoro di altri. Nel primo caso il tema è il processo, nel secondo la delega e il modo in cui viene governata. Chi ha ricoperto ruoli di responsabilità sempre più ampi nel corso della carriera conosce bene questa differenza. La catena può ripetersi ulteriormente, con agenti che coordinano altri agenti e persone che verificano il lavoro di agenti che hanno prodotto istruzioni per altri agenti (aiuto!).

Di norma un'organizzazione fa precedere questo passaggio da una valutazione, una preparazione, un tempo di adattamento. Con l'IA agentica il passaggio avviene di colpo, perché il nuovo strumento cambia il modo di lavorare prima che quella preparazione ci sia stata.

Il tema del coordinamento riguarda anche il caso di una squadra composta solo da agenti IA.

Chi lavora con più agenti su parti collegate dello stesso obiettivo, per esempio uno che raccoglie le informazioni, uno che le elabora e uno che prepara il documento finale, definisce l'obiettivo per ciascuno, controlla che i risultati siano coerenti tra loro e interviene quando uno si discosta dagli altri. Quello che conta è il numero di soggetti, umani o artificiali, di cui bisogna verificare istruzioni e risultati, più che il numero di persone nella squadra.

Per delegare bene a un agente vale lo stesso schema che vale con le persone. Nei miei corsi lo chiamo il “circolo virtuoso della fiducia”. La delega genera responsabilità, la responsabilità esercitata bene genera autonomia, l'autonomia costruisce fiducia, e la fiducia facilita una delega più ampia.

Questo “circolo” funziona bene se chi delega parte da una visione chiara e dà obiettivi ben formulati, si occupa degli strumenti e dei permessi di chi riceve il compito, crea occasioni regolari di verifica, osserva e dà un riscontro puntuale. Con le persone il circolo funziona alla velocità con la quale si costruisce un rapporto personale, un obiettivo alla volta, una verifica dopo l'altra, la responsabilità che si allarga quando i risultati confermano la fiducia accordata.

Con gli agenti IA lo schema è lo stesso, però deve funzionare molto più in fretta. Non c'è più quel tempo, di solito abbastanza lungo, con cui si costruisce fiducia con una persona, perché obiettivo, verifica e correzione si susseguono nell'arco di pochi minuti, spesso su più compiti in parallelo, e la fiducia che ne deriva vale per quel compito specifico ed è fatta di prompt affinati di volta in volta, di regole dell'ambiente di lavoro (harnessing) e di test superati, ma non può accumularsi come accade con un collaboratore conosciuto da anni.

In più la velocità con cui gli agenti producono lavoro da verificare supera facilmente la velocità con cui una persona riesce a dare indicazioni e a controllare i risultati. Chi coordina più agenti insieme, o una combinazione di persone e agenti, deve imparare a reggere un nuovo ritmo.

Le competenze di delega e di governo del lavoro altrui prima interessavano soprattutto chi occupava un ruolo di responsabilità, oggi diventano importanti potenzialmente per tutti i ruoli, perché tutti possono trovarsi a lavorare con uno o più agenti IA, anche senza avere mai avuto un collaboratore da gestire. Sono competenze che si imparano come si sono sempre imparate, con la pratica, gli errori corretti, il confronto con chi le possiede già, e magari anche con un po' di formazione per avere le basi.

Lavorare con gli agenti IA sposta tutti in su di un livello, perché chi eseguiva si ritrova a coordinare e chi coordinava si ritrova a coordinare altri coordinatori. Quello che serve per farlo bene, obiettivi chiari, verifica dei risultati, correzione e feedback, è la competenza di sempre di chi guida il lavoro altrui, adesso richiesta a molte più persone e a un ritmo molto più veloce. Ecco appunto… complimenti per la promozione!

Ai cervelli dei Sapiens piacciono le scorciatoie, si sa e le scorciatoie, con l’IA, sono ovunque.

Se una cosa può essere fatta dall’IA (possibilità tecnica) e usandola si risparmiano tempo o fatica (efficienza), veniamo tentati di fargliela fare, magari all’inizio timidamente, poi con sempre maggiore convinzione, infine senza più pensarci. Diventa un fatto scontato. Alle mail rispondo con l’IA, soprattutto se ho un ambiente “agentico” nel quale posso dire cose del tipo: “Guarda nella inbox la mail di Mario appena arrivata, scarica l’allegato nel folder appropriato, tu sai qual è in base al progetto citato nella mail stessa, e analizza il contenuto. Se è tutto a posto rispetto ai criteri che trovi scritti nel diario del progetto crea una nuova versione del file allegato originale, aggiungi il mio commento standard in fondo al documento e prepara una bozza di mail di risposta con allegato il nuovo documento.” Troppo comodo, no?

Questa cosa sta prendendo piede e, se lasciata a sé stessa, indovinate come andrà a finire? In realtà c’è poco da indovinare, sta già succedendo, ve ne potete accorgere dalle mail “sintetiche” che inondano la vostra posta e dalle risposte stereotipate che ricevete dalle chatbot delle banche o degli operatori telefonici, e naturalmente questi sono solo alcuni esempi. Il fenomeno è molto più pervasivo e riguarda virtualmente qualunque attività di tipo cognitivo che si può fare con un computer.

Dove andremo a finire? Cosa possiamo fare? Oltre alla fattibilità tecnica e al guadagno di efficienza, forse dobbiamo introdurre un terzo criterio, quello del discernimento.

Mi spiego meglio. Discernere viene dal latino discernĕre e, dice il vocabolario Treccani, significa prima di tutto “vedere chiaro, con la vista o con l’intelletto”; nell’uso più comune vuol dire “distinguere e differenziare” — le differenze, le somiglianze, il bene dal male, il vero dal falso. A me piace anche collegarlo a “soppesare”, dare il giusto peso alle cose, metterle quindi in relazione tra loro e col contesto.

Chi pratica il discernimento va oltre il fatto che ci sia la possibilità tecnica di svolgere una data attività con l’IA e che questo porti un vantaggio di efficienza e si preoccupa di verificare altri quattro aspetti.

Primo, l’allenamento della propria capacità di “giudizio professionale” su quell’attività specifica. Chi delega un’attività la pratica meno, e praticandola meno perde anche la capacità di valutare la qualità del risultato dell’IA. Allora è importante verificare di mantenere un equilibrio, un’alternanza che permetta di mantenersi sufficientemente allenati.

Secondo aspetto da verificare, il senso del ruolo. Alcune attività definiscono più di altre la nostra identità professionale, e cederle del tutto può svuotare il ruolo anche quando, nel farlo, ci sarebbe un vantaggio immediato. Si tratta perciò di verificare che ciò che si decide di delegare all’IA, quando siamo noi stessi a farlo, non snaturi il contenuto del nostro ruolo.

Terzo, la responsabilità professionale. Quando una persona produce un risultato in stretta interazione con un sistema IA, può essere più difficile continuare a sentire pienamente la responsabilità di ciò che è stato prodotto. Dal punto di vista normativo non ci sono dubbi, la responsabilità è della persona, ma dal punto di vista emotivo la questione è più sfumata, ho prodotto quel documento di analisi, ma non sono stato proprio del tutto io, alcune idee me le ha date l’IA. Nel delegare all’IA è bene verificare se questo aspetto è rilevante e in che modo sarà influenzato, così da poterne tenere conto nella decisione.

Quarto, la sostenibilità per le persone coinvolte. È una verifica ulteriore che si collega al senso del ruolo citato prima, ma che in questo caso si riferisce alle situazioni nelle quali le decisioni di delegare attività all’IA sono prese a livello organizzativo, dall’azienda, dalla persona responsabile di un ufficio, e non direttamente da chi quelle attività le svolge. In questo caso spesso “l’appetito vien mangiando”. Si decide di delegare una prima attività, ed ha senso, poi un’altra e un’altra ancora, finché si arriva a modificare significativamente il contesto e il ruolo delle persone coinvolte, superando la soglia che per loro è accettabile, senza neanche rendersene conto e assistendo poi sconcertati alle conseguenze (confusione, demotivazione, lamentele e così via).

Discernere si collega quindi a questi quattro aspetti: allenamento delle competenze (e sua eventuale perdita), senso del ruolo professionale, responsabilità, sostenibilità motivazionale.

Potremmo dire che dietro a questi criteri di verifica c’è un aspetto di scelta etica, forse, una scelta che si collega al valore che diamo al lavoro quando è fatto dalle persone, indipendentemente dal fatto che ci siano modi di svolgerlo in modo più efficiente automatizzandolo. Se diamo valore a questo, allora si può anche decidere di non delegare una attività all’IA semplicemente perché vogliamo preservare tale valore.

Facciamo qualche esempio.

Chi ha una relazione diretta con i propri clienti può scegliere di non delegare mai la corrispondenza, nemmeno i messaggi più semplici che l’IA scriverebbe altrettanto bene. È una scelta valida a prescindere dal singolo messaggio, perché chi la fa vuole poter dire a chi scrive: quando ricevi qualcosa da me, sono io a scriverlo, questo per me ha senso, e invece non ha senso che tu possa anche solo pensare che ti ha risposto una macchina attraverso un algoritmo.

Un professionista che prepara una proposta o un piano per il proprio direttore può scegliere di far impostare all’IA l’impianto e farle cercare i dati a supporto, ma poi decide di curare personalmente i passaggi in cui si gioca la propria credibilità professionale — la raccomandazione finale, l’argomento che la sostiene — perché è lì che risponde in prima persona del proprio giudizio, e anche solo lasciarsi influenzare da come lo strumento imposterebbe le cose non gli pare dignitoso.

Chi conduce riunioni ricorrenti può far scrivere all’IA il verbale per intero, e scegliere di continuare a scrivere di persona la sintesi finale, anche quando quella riunione specifica non lo richiederebbe, magari non sempre ma una volta su tre, in modo da mantenere l’allenamento alla sintesi e poterlo esercitare quando serve nei casi particolarmente complessi dove l’IA non riesce a produrre la qualità necessaria.

Gli stessi criteri valgono anche per le organizzazioni, si può decidere ad esempio di automatizzare con l’IA l’inserimento ordini e lasciare alle persone che prima svolgevano tutta l’attività solo la gestione delle eccezioni e magari la gestione dei reclami, in modo che il cliente che ha incontrato delle difficoltà si trovi comunque ad avere a che fare con un umano e non con un chatbot che, per quanto intelligente, finirà comunque per proporre di compilare un modulo e soprattutto non potrà prendersi alcuna responsabilità su ciò che risponde. Farlo è una scelta aziendale legittima che naturalmente deve considerare che mantenere l’umano nel processo costa di più che eliminarlo del tutto. C’è da pensarci bene ma è una scelta che può avere senso rispetto alla reputazione dell’azienda e ai valori ai quali aderisce (o dice di aderire?).

C’è però una differenza importante rispetto al caso del singolo. Nella maggior parte dei casi le decisioni organizzative vengono prese da qualcuno che non sperimenta direttamente l’effetto delle decisioni stesse. Questo interrompe il ciclo di feedback, il ritorno dell’informazione sull’efficacia di quella scelta è mediato da altre persone, report, sistemi di monitoraggio e, quando va bene, arriva con un ritardo. Quando va male non arriva, le decisioni diventano del tipo “lancia e dimentica”, e da queste decisioni non si impara nulla, per cui, anche se non portano a risultati positivi, chi le ha prese non lo saprà mai, non modificherà i suoi criteri e potrà allegramente prendere decisioni simili convinto o convinta di fare un affarone.

Concetti di base del pensiero sistemico direte voi. Infatti, però con l’aggravante della velocità che aumenta. L’IA consente di prendere molte di queste decisioni in poco tempo. Si possono attivare velocemente molti agenti IA che svolgono le più svariate attività, ed è quello che sta succedendo proprio ora.

Il rischio, quindi, è di non rendersi conto in tempo dell’impatto che queste (micro?) decisioni, cumulate, hanno sui lavori delle persone, sul senso che questi ruoli hanno e sul tipo di organizzazione che alla fine ne risulterà.

È un film per molti versi già visto con altre ondate di tecnologia, informatica negli anni 80 e 90, telefonia e dati mobili, sviluppo del web, trasformazione digitale. È una dimensione della storia dell’umanità, il modo nel quale le nuove tecnologie modificano in modo strutturale le relazioni tra persone, gruppi, sistema economico e sociale. Chi lo decide? 6 o 7 fantamiliardari? Oppure c’entra anche la somma delle micro-decisioni che ognuno di noi prende a vari livelli?

Vale la pena parlarne perché è in questi mesi e anni che serve osservare, con attenzione, ciò che sta accadendo e prendersi la responsabilità di tentare (almeno tentare!) di influenzarlo per il meglio. Dopo sarà ancora più difficile.

O no? 

Quando un’azienda introduce l’intelligenza artificiale, le reazioni delle persone possono essere molto diverse. Curiosità, sollievo per alcune attività ripetitive e preoccupazione per il proprio lavoro possono coesistere.

Per capire che cosa sta accadendo, conviene partire dalle domande che le persone si fanno. Che cosa cambia nel mio lavoro di ogni giorno? Quali attività continuerò a svolgere? Quali competenze serviranno e quale valore avrà il mio contributo?

Sono domande che le persone si pongono in occasione di quasi tutti i cambiamenti organizzativi. Con l’IA hanno alcuni risvolti specifici, perché questa tecnologia può svolgere attività cognitive che fino a poco tempo fa dipendevano quasi interamente dall’esperienza professionale.

Tra le preoccupazioni più frequenti c’è quella di essere sostituiti e, alla lunga, di perdere il lavoro. Può riguardare la posizione occupata in una determinata azienda oppure la spendibilità futura della propria esperienza. In un articolo pubblicato sul Cureus Journal of Medical Science, ricercatori dell’Università della Florida hanno introdotto l’espressione Artificial Intelligence Replacement Dysfunction, in sigla AIRD, per descrivere il disagio psicologico e professionale legato alla possibilità di essere sostituiti dall’IA. Gli autori sottolineano che questo disagio si manifesta anche in assenza di un effettivo rischio di perdita del posto: basta l’incertezza.... e forse, per saperlo, non servono una ricerca scientifica e una nuova sigla, è sufficiente pensare a come reagiamo noi stessi o quelli che ci stanno intorno in situazioni simili.

Un’altra preoccupazione riguarda il valore attribuito al proprio contributo nel presente. Una persona può non sentire alcun pericolo riguardo a mantenere la propria posizione e, nello stesso tempo, vedere diminuire il peso delle attività sulle quali aveva costruito la propria autorevolezza. In questo caso può domandarsi qualcosa del tipo: "Che ruolo avrò in futuro? Conterà ancora la mia esperienza?" Questa preoccupazione di diventare irrilevanti viene indicata anche con la sigla FOBO, dall’inglese Fear Of Becoming Obsolete, un’espressione entrata nell’uso a partire dal 2025 in pubblicazioni come Fortune, Forbes e il World Economic Forum per descrivere l’ansia da obsolescenza professionale nel contesto dell’IA.

Queste due preoccupazioni (paure? disagi? vedete voi il termine che sentite più vicino) possono presentarsi anche insieme e assumere intensità diverse nelle varie fasi di evoluzione di un progetto di trasformazione che prevede l'introduzione di strumenti IA nell'organizzazione. Una persona può sentirsi abbastanza sicura della propria posizione e, nello stesso tempo, interrogarsi sul valore che avrà il suo ruolo. Un’altra può apprezzare l’aiuto offerto dall’IA e preoccuparsi delle prospettive professionali a medio termine. Ciascuno e ciascuna attraversa il cambiamento con le proprie modalità.

Naturalmente queste preoccupazioni cambiano intensità e tempistiche anche a seconda di come l’IA viene introdotta. Per descrivere questa differenza è utile considerare due scenari che si presentano spesso.

Nel primo scenario, molto comune in questi mesi, l’azienda decide di mettere a disposizione di tutto il personale un assistente generativo, le persone si ritrovano un "bottone" che richiama un chatbot più o meno integrato con mail, file sul proprio spazio di lavoro, calendario. L’iniziativa viene solitamente accompagnata dalla diffusione di una policy di "utilizzo consapevole" e da una formazione sull’uso degli strumenti. I processi aziendali restano quelli esistenti e ciascuno sceglie se e come usare lo strumento nel proprio lavoro. L’ansia da sostituzione tende a essere diffusa ma attenuata: le conseguenze sulla singola posizione sono difficili da determinare. La preoccupazione di diventare irrilevanti può essere più presente, quando una persona osserva che alcune attività sulle quali aveva investito tempo vengono svolte facilmente dall’assistente. In generale è uno scenario in cui le reazioni sono meno forti, perché le persone possono dosare e regolare l’adozione secondo il proprio ritmo. C'è anche il caso, molto comune anche questo, che l'investimento fatto per introdurre il nuovo strumento, non porti particolari benefici tranne quello di sentirsi tutti "al passo coi tempi".

Nel secondo scenario l’azienda introduce un sistema o un agente in un processo definito, per esempio nella gestione degli ordini o nella preparazione di una tipologia di pratica. Le attività vengono ridistribuite tra persone e sistema. Ovviamente qui l’ansia da sostituzione può diventare più acuta: le persone vedono direttamente quali attività vengono affidate al sistema e possono collegarlo alle prospettive del proprio ruolo, a volte a torto altre a ragione. La preoccupazione di diventare irrilevanti assume una forma più concreta per chi aveva costruito la propria autorevolezza su un sapere che ora viene formalizzato affinché il sistema possa utilizzarlo. In questi scenari misurare i benefici derivanti dal cambiamento introdotto è solitamente più facile, ammesso che lo si faccia davvero (meglio pensarci fin dall'inizio definendo le modalità di misurazione e le attese però).

Le due preoccupazioni, quindi, compaiono in entrambe le situazioni. Cambiano l’intensità e la possibilità di riconoscerle mentre il progetto procede. La stessa organizzazione può attraversare entrambe le situazioni in momenti diversi.

Accanto a queste preoccupazioni, l’uso dell’IA modifica alcune dinamiche del lavoro. Tra queste forse la più evidente, e importante da individuare per tempo, è il "circolo dell’erosione del giudizio professionale".

Prendiamo una persona che ogni settimana analizza una serie di documenti e ne ricava una valutazione. Quando comincia a usare l’IA, il sistema prepara una prima analisi e la persona controlla il risultato. Il lavoro diventa più rapido. Nel tempo, però, una parte della competenza viene esercitata meno spesso. Se questa capacità si attenua, diventa anche più difficile, per la persona, riconoscere un’analisi incompleta o poco solida, un’omissione o una conclusione plausibile solo in apparenza.

La competenza delegata viene praticata meno e proprio quella competenza serve per valutare il lavoro svolto dall’IA. Il fenomeno era già stato osservato ben prima dell’intelligenza artificiale generativa. Nel 1983 Lisanne Bainbridge, studiando l’automazione industriale, rilevava che l’affidabilità dei sistemi automatici riduce le occasioni nelle quali gli operatori esercitano le capacità necessarie quando il sistema commette un errore.

Un secondo fenomeno riguarda l’esplicitazione del sapere tacito. Molte attività professionali si fondano su criteri che una persona esperta applica con naturalezza e che raramente ha avuto bisogno di descrivere per intero. Per affidare una parte di queste attività a un sistema di IA, quei criteri devono diventare almeno in parte espliciti.

Una responsabile che valuta le priorità tra diverse richieste, per esempio, può dover spiegare quali elementi considera, quali eccezioni riconosce e quando ritiene necessario approfondire l'analisi. Traduce così una parte della propria esperienza in istruzioni, esempi e regole utilizzabili anche da altri.

Questa esplicitazione rende il sapere più trasferibile e verificabile. Questo si traduce però anche in un cambiamento del rapporto tra la persona, la sua competenza e l’organizzazione. Una parte dei criteri usati dal professionista diventa accessibile al gruppo e può essere applicata dal sistema. L’autorevolezza che derivava dal possesso esclusivo di quel sapere può quindi ridursi, mentre acquistano valore la capacità di formulare i criteri, riconoscere le eccezioni e assumersi la responsabilità delle scelte. Ci sono persone felici di poter mettere le proprie competenze a disposizione degli altri, naturalmente, dipende moltissimo, oltre che dalle inclinazioni e obiettivi personali, anche dal contesto organizzativo e relazionale. Se il contesto premia condividere le conoscenze e la cosa viene valorizzata aziendalmente, non necessariamente monetizzata, ma nemmeno il contrario, se viene notata e riconosciuta.

Un terzo fenomeno che mi sembra utile notare è quello che definirei della "responsabilità percepita".

Se una persona prepara un documento dall’inizio alla fine, il rapporto tra il lavoro svolto e la responsabilità professionale è immediato. Quando l’IA produce una prima versione, la persona la modifica e la utilizza per prendere una decisione, la persona e il sistema contribuiscono entrambi al risultato. La responsabilità formale rimane in capo al professionista, su questo, almeno in Europa, l’AI Act è chiaro e ancora di più lo è la legge 132/2025. Diventa però meno immediata la percezione di questa responsabilità dal punto di vista emotivo, la "ownership". La questione si presenta nella redazione di un parere, nella valutazione di un candidato, nella preparazione di una previsione o nella risposta a un cliente. Conta il modo in cui la persona comprende il proprio ruolo nel processo e decide quanto affidarsi al risultato prodotto dal sistema. Non è ovvio e banale per tutti accorgersi di queste sfumature e degli effetti che hanno su motivazione, impegno, capacità di prendersi le proprie responsabilità.

In un progetto queste dinamiche raramente si presentano separate. Un professionista rende espliciti i propri criteri perché possano essere utilizzati dall’IA; comincia a delegare una parte dell’attività; esercita meno alcune competenze; osserva che quel sapere diventa accessibile ad altre persone e si interroga sul valore futuro del proprio contributo. Nello stesso tempo continua a rispondere del risultato finale.

Nel modello di facilitazione del cambiamento IA con discernimento che ho sviluppato (FAID), la facilitazione parte dall’osservazione di queste dinamiche. Attraverso conversazioni strutturate sulle attività concrete, sui criteri professionali e sulle responsabilità è possibile riconoscere quali dinamiche sono presenti, con quale intensità e per quali persone. Su questa base si può ragionare su quali informazioni rendere disponibili, quali occasioni di confronto creare, quali percorsi di sviluppo avviare e quali aspetti dei ruoli rivedere.

Rimane poi una scelta sia per le persone che per l’organizzazione nel suo complesso. Se una parte crescente del lavoro può essere svolta con l’IA, che cosa le vogliamo delegare? Che cosa scegliamo di continuare a fare noi? E secondo quali criteri?

Sull'intelligenza artificiale e il lavoro ultimamente si scrive molto, quasi sempre a partire da ciò che cambia.

Oggi partiamo dalla domanda opposta: che cosa, nel modo in cui le persone attraversano un cambiamento, resta identico anche quando si tratta di IA? La risposta è: quasi tutto!

Un cambiamento organizzativo produce sempre le stesse dinamiche di fondo. Le persone abbandonano abitudini consolidate, costruiscono nuove competenze, ridefiniscono le relazioni con i colleghi e, spesso, rinegoziano la propria identità professionale, con gli altri e con sé stesse. Vale per un nuovo sistema gestionale come per un riassetto organizzativo, per il passaggio al lavoro da remoto come per l'arrivo di un nuovo management.

Nei Sapiens, normalmente, il cambiamento genera inquietudine. La soglia oltre la quale l'inquietudine diventa un ostacolo cambia da persona a persona, e dipende da una combinazione di fattori: l'intensità dell'impatto, la velocità con cui avviene, la frequenza con cui i cambiamenti si susseguono e il tempo disponibile per assimilarli. Quando questa combinazione supera la soglia critica, la persona smette di elaborare il cambiamento e comincia a difendersene.

La dinamica di fondo resta la stessa. Cambiano le condizioni in cui avviene. L'introduzione dell'IA può aumentare l'intensità, la velocità e la frequenza del cambiamento fino ai livelli più alti che la maggior parte delle organizzazioni abbia mai sperimentato.

E c'è una ragione per questo. Per la prima volta i sistemi svolgono compiti cognitivi che fino a ieri sembravano fuori dalla portata dell'automazione, perché dipendevano dalla conoscenza tacita di un esperto: una conoscenza maturata nel tempo attraverso l'esperienza, che non è interamente traducibile in regole esplicite. Un sistema gestionale esegue procedure definite passo per passo. Un sistema di IA generativa svolge compiti per i quali nessuno ha scritto un algoritmo: sintetizza testi, valuta alternative, suggerisce diagnosi, redige documenti. Questa differenza rende l'introduzione dell'IA un caso estremo di cambiamento e produce alcune dinamiche specifiche.

Per chi vuole assumersi la responsabilità di facilitare questo tipo di cambiamenti, le conseguenze sono tre. Primo, la soglia di inquietudine viene raggiunta da più persone, in meno tempo, su più aspetti insieme. Secondo, il cambiamento è continuo, neanche questo è nuovo, ma il meccanismo è accelerato, gli strumenti si aggiornano nell'arco di poche settimane o mesi e le loro capacità si ampliano. Terzo, l'impatto riguarda anche l'identità professionale, oltre ai processi di lavoro. Quando la macchina fa ciò che prima faceva la persona, si passa dalla domanda "come uso questo strumento?" a "chi sono io, adesso?".

E poi ci sono altri effetti specifici di questo tipo di cambiamenti, per esempio quello dell'erosione della capacità di giudizio. Chi comincia a usare l'IA per un dato compito tende a smettere di praticarlo autonomamente, è ovvio, la macchina serve a quello. Con il tempo quella competenza specifica si attenua, e con lei la capacità di giudicare se l'IA lo sta svolgendo bene. Un bel problema, anche perché il ruolo della persona, ci raccontiamo, dovrebbe evolvere da esecutore a supervisore dell'IA e a solutore dei casi complessi. Cosa si può fare? Per iniziare è importante almeno riconoscere il fenomeno e decidere quali competenze conviene continuare a esercitare direttamente, magari allenandole esplicitamente ("lasciar fare alla natura", qui, non è una buona idea).

Per affrontare questa situazione nel suo complesso è però utile un approccio mirato, che definisca un modello di intervento ben concepito, a cominciare dai concetti di base da tenere in mente. Per esempio il concetto di "facilitare" piuttosto che di "gestire".

Quando parliamo di "gestione del cambiamento" infatti, se stiamo al significato delle parole, il presupposto è che sia possibile una qualche forma di governo o controllo diretto sul comportamento delle persone. Ma questo nei sistemi umani complessi è un'illusione. Le persone decidono se, come e quando cambiare il proprio modo di lavorare. Si possono influenzare, certo, e anche manipolare volendo ed essendone capaci (però se poi se ne accorgono le cose si complicano, sconsiglierei in generale). Chi prova a governare il cambiamento con questa modalità in mente, nella mia esperienza, prima o poi incontra imprevisti e delusioni aggiuntive a quelle strettamente necessarie.

Non so voi, ma io mi sento più a mio agio usando l'espressione "facilitare il cambiamento", mi sembra di essere più onesto in questo modo, perché descrive con precisione ciò che si può fare: creare le condizioni migliori perché le persone compiano il percorso di cambiamento, ridurre gli ostacoli, rendere disponibili informazioni, competenze e occasioni di confronto, ispirare, porre attenzione a dare al percorso un ritmo sostenibile. Le attività di facilitazione affiancano il progetto tecnico e sostengono le persone coinvolte nel cambiamento. Servono entrambi gli aspetti e serve che siano ben coordinati e integrati.

Serve anche mettere bene a fuoco in cosa può consistere facilitare il cambiamento. Per questo ho sviluppato un modello di intervento per i progetti ad alta intensità di IA: "Facilitazione del cambiamento IA con discernimento", in sigla FAID.

Discernimento è un'altra parola importante. Persone e organizzazioni decidono sempre più spesso, e in tempi più brevi, che cosa affidare alla macchina. Si trovano quindi a chiedersi quali attività valga la pena continuare a svolgere direttamente, e perché. Questo è un fil rouge che percorre tutto il modello: la scelta dipende anche dal valore che attribuiamo all'attività, alla competenza e alla responsabilità professionale che comporta.

Queste sono solo alcune riflessioni preliminari, nella metodologia i vari aspetti sono sviluppati e indirizzati con strumenti specifici.

Ma torniamo alla domanda del titolo: Cosa cambia con l'IA? Potremmo dire che con l'IA cambiano gli strumenti, la velocità e la profondità degli effetti sul lavoro e sull'identità professionale. Non cambia invece il fatto che a lavorare, con quegli strumenti, sono sempre delle persone: i risultati attesi dall'azienda dipendono dalla combinazione di strumenti, persone e processi. Allora forse, all'inizio del prossimo progetto di IA, la domanda che conviene mettere sul tavolo accanto a quelle tecniche è questa: Stiamo dedicando alle persone la stessa cura che dedichiamo alla tecnologia? Vedete voi.

"Il progetto che stai seguendo è molto importante. Ovviamente ci aspettiamo i risultati che abbiamo già presentato al comitato esecutivo lunedì scorso...."

"…sì, certo! Il piano di progetto è finito e sto mettendo insieme il team di lavoro..."

🎯 Proprio come dicevamo nei post precedenti, i risultati sono legati al concetto di performance che non arriva se non ci sono, concomitanti: competenze, motivazione e contesto. È inutile aspettarsi che un progetto riesca solo perché ben pianificato, serve l'integrazione di questi tre fattori chiave.

💡 Il Project Management (PM) è lo strumento che ci aiuta a realizzare il cambiamento, organizzando le attività che modificano processi, sistemi e organizzazione, ma da solo non basta.

👥 Le persone sono il vero motore del cambiamento (quando funziona). Il Change Management (CM) ha il compito di assicurare che le persone siano coinvolte, formate e supportate. Senza questo, il cambiamento rischia di fallire.

🔄 Poi però bisogna parlare anche dei processi aziendali. …e qui che entra in gioco il Business Process Management (BPM). Eh già, perché da un lato i progetti modificano i processi e dall’altro solo se i processi, poi, funzionano bene, arrivano i risultati. Serve essere in grado di indagarli, questi processi, di rappresentarli, misurarli, migliorali, automatizzarli… per renderli coerenti con i risultati che si desidera produrre in termini di prodotti, livelli di servizio, effetti sul mondo...

🔧 Quindi è molto utile capire bene come queste tre discipline (e quindi metodologie, strumenti etc.) è bene che si integrino all’interno di un ciclo di cambiamento. Altrimenti si rischia di mettere energie, attenzione e budget solo su alcuni degli aspetti e, se questo avviene, indovinate un po’ cosa succede poi al famoso “ciclo di presa dei benefici”?

… c’è un forte rischio che si trasformi in un ciclo di ben altra "presa"… 

🤭 🤭 🤭 

Scrive Antoine de Saint-Exupéry in "Terre des hommes", pubblicato originariamente nel 1939:

“Se crediamo che la macchina rovini l’uomo, è perché, forse, non abbiamo sufficiente prospettiva per giudicare gli effetti di cambiamenti rapidi come quelli che abbiamo subito. Cosa sono i cento anni della storia della macchina rispetto ai duecentomila anni della storia dell’uomo? Ci siamo appena insediati in questo paesaggio di miniere e di centrali elettriche. Abbiamo appena cominciato ad abitare in questa nuova casa, che non abbiamo nemmeno finito di costruire. Tutto è mutato così in fretta attorno a noi: rapporti umani, condizioni di lavoro, consuetudini. Persino la nostra psicologia è stata scossa nelle sue più intime fondamenta. Le nozioni di separazione, assenza, distanza, ritorno, anche se fanno uso delle stesse parole, non esprimono più le stesse realtà. Per comprendere il mondo di oggi, usiamo un linguaggio che fu stabilito per il mondo di ieri. E la vita del passato ci sembra corrispondere meglio alla nostra natura, per la semplice ragione che corrisponde meglio al nostro linguaggio.”

Antoine de Saint-Exupéry, "Terre des hommes" [1939], trad. it. Terra degli uomini, traduzione e note di Maurizio Ferrara, illustrazioni di Riad Sattouf, Milano, L’Ippocampo, 2026.

Il libro parla di piloti, viaggi, culture e del senso della vita e questo passaggio mi ha colpito perché mi sembra riguardi ogni grande cambiamento tecnologico. Per parlarne usiamo le parole che abbiamo a disposizione, ma l’esperienza che le parole indicano, nel frattempo, cambia profondamente. Con lo sviluppo dell’aviazione civile, negli anni ’20 e ’30 del Novecento, parole come separazione, assenza, distanza e ritorno assumono un significato diverso. Cambiano i tempi, le possibilità, i rischi, le attese, le emozioni che le persone sentono rispetto al partire e al tornare. Saint-Exupéry, noto ai più come l’autore de “Il piccolo principe”, conosceva bene quella trasformazione. Da pilota e da scrittore. L’aviazione a quel tempo era ancora una tecnologia giovane, con rotte prive di riferimenti certi, strumenti limitati, rischio fisico, orientamento affidato alla percezione e all’esperienza. Tutto molto avventuroso! …e i suoi (troppo pochi) libri lo testimoniano.

L’aereo aggiungeva velocità e cambiava il rapporto con lo spazio, con il tempo e tra le persone. Oggi l’intelligenza artificiale generativa pone una questione simile.

La macchina volante cambiava l’esperienza dello spazio. La macchina parlante cambia l’esperienza delle parole.

La GenAI scrive, sintetizza, argomenta, imita dialoghi, dà consigli. Agisce attraverso il linguaggio, cioè con lo strumento che usiamo per pensare, comunicare, decidere, spiegare. Se anche voi siete tra coloro che si preoccupano dell’effetto che l’avvento delle GenAI sta avendo sul linguaggio e da lì sulle nostre capacità di pensare, potrebbe essere venuto il momento di dedicare un po’ di attenzione alle parole che ritenete più importanti per voi.

A me ne sono venute in mente quattro: scrivere, apprendere, decidere, valore. Scrivere, oggi, può voler dire produrre un testo da zero. Ma può voler dire anche fornire linee guida ed esempi ad un modello linguistico, valutare un risultato, correggerlo, integrarlo e rispondere di ciò che viene consegnato. Apprendere può voler dire avere una risposta disponibile in pochi secondi. Ma può voler dire anche riconoscere che quella risposta va verificata, contestualizzata, collegata ad altre fonti e sottoposta a un giudizio professionale. Anche decidere cambia forma. Sempre più spesso partiamo da una proposta già formulata: una sintesi, una bozza, una raccomandazione. Il ruolo umano sta nel selezionare cosa accettare, cosa modificare e cosa respingere.

Ma la parola più importante a me pare che sia valore. Spesso la prima cosa a cui pensiamo è il valore economico: produttività, efficienza, riduzione dei costi, aumento dei risultati. Questa dimensione è fondamentale, tuttavia sappiamo bene che un’organizzazione può accelerare i processi ma indebolire le competenze; ridurre i costi ma perdere la fiducia dei clienti; aumentare il volume delle consegne ma rendere più fragile il sistema umano che le produce. E questo ci ricorda che valore significa anche equilibrio personale, qualità delle relazioni, competenze che restano vive e si sviluppano, autonomia di giudizio, eticità, senso di quello che si fa individualmente e all’interno di una organizzazione. Con la GenAI, la domanda sul valore diventa ancora più importante: su quali dimensioni le GenAI aggiungono valore e per chi? Con quali effetti sulle persone, sulle relazioni, sul contesto più ampio? Questo diventa ancora più concreto con l’avvento degli ambienti digitali agentici, dove le istruzioni in linguaggio naturale possono attivare operazioni su file, applicazioni, dati, archivi, codice, messaggi e documenti. Anche qui serve precisione. Dire che questi sistemi “agiscono” può confondere. L’azione di un aereo, di un robot o di una macchina industriale appartiene al mondo fisico. Gli ambienti agentici a cui mi riferisco operano, per ora, nell’ambito di ambienti digitali, con diversi gradi di autonomia, supervisione e reversibilità. Ecco quindi altre parole, a cui siamo abituati, per le quali cambia l’esperienza alla quale si riferiscono: istruzione, delega, verifica, autorizzazione e responsabilità.

Le intelligenze generative sono fra noi e certo non se ne andranno anche se ci votiamo alla sobrietà digitale. La precisione nell’uso delle parole e nel descrivere l’esperienza senza accondiscendere passivamente alle approssimazioni, all’infarcitura di inglesismi, a cliché, tic linguistici e frasi fatte (avrete certamente notato il dilagare di eventi “senza precedenti”) è una pratica utile per coltivare la capacità di discernimento.

Le parole che usiamo, o che una GenAI produce per noi, contengono una visione del mondo.

Usarle senza verificarle significa accettare anche le definizioni implicite di chi progetta, vende, regola o finanzia le tecnologie che stiamo adottando. E allora, se la convivenza con le GenAI è inevitabile, possiamo almeno prenderci la responsabilità di usare bene le parole quando siamo noi a sceglierle, ma anche di pretendere dai nostri interlocutori generativi la precisione di cui sono capaci se impariamo a guidarli.

Chi ha paura dell’AI? Ma come, non s’era detto che, a prescindere dal pensare che faccia bene o faccia male, al mondo, è meglio sapere di che si tratta? Sperimentare, mettere in pratica per capire e cercare di fare la propria parte nel promuoverne un utilizzo consapevole dei limiti, delle possibili storture e delle conseguenze?

Appunto. Una cosa non mi sembra escluda l’altra, un pensiero interessante forse è: aver paura serve?

Se ci paralizza di solito non è molto utile, anche se, qualche volta, non fare nulla e aspettare di vedere come si mettono le cose è meglio che agitarsi senza averci capito nulla. Questa può essere una strategia personale rispetto alla diffusione, velocissima e pervasiva, dell’AI e soprattutto della GenAI?

Come si fa a capire le implicazioni sul lavoro, sulla società e sulle coscienze senza sperimentare di persona? Senza sondare i limiti?

L'ho visto nella mia esperienza e lo vedo in quella delle persone che partecipano ai miei corsi: all’inizio ciò che si ottiene usando il chatbot è banale, non risolve. Insistendo e imparando a interagire si ottengono flussi di risposte più costruttivi, anche sorprendenti. Poi si arriva a un punto di svolta: ci si è messa da parte una propria libreria di prompt, si sono organizzati i file con template, esempi, linee guida per diverse attività e allora... utilizzare la GenAI diventa parte integrante e indistinguibile del flusso di lavoro.

Può essere anche inebriante, dare una sensazione di grande potere. Perché a quel punto davvero fai molte più cose… se hai un'idea puoi arrivare ad un prototipo in poche decine di minuti, quando prima ci avresti messo qualche ora. Non solo perché la macchina aiuta a scrivere, ma soprattutto perché aiuta a pensare, a tirar fuori idee, scenari, a criticarli, a corredarli di criteri, a strutturare piani e passi operativi, generare esempi realistici, rifinire ciò che hai prodotto. Certo, funziona così se la sai usare e se ti sei organizzato il lavoro. Sennò rimane un giochino.

Questa che ho raccontato fin qui è una prospettiva da “meccanico”, direbbe Sadowski (The Mechanic and the Luddite). Qualcuno che smonta la macchina, la capisce, la rimonta e la usa con maestria, certo con più consapevolezza di chi si limita a schiacciare il bottone.

Però poi direbbe che c'è anche la prospettiva del luddista, che vi invito a vedere non come ottusa opposizione al cambiamento, ma piuttosto come valutazione degli impatti sociali ed economici delle tecnologie. Dell’uso che ne fa chi le possiede e degli effetti su chi le usa. Dell'etica e della politica dell'AI. Di qualcuno che si domanda perché e che conseguenze hanno le macchine e il loro uso. E si pone il problema di fare qualcosa.

Come si fa a restare umani nel rapporto con la tecnologia? Con questa tecnologia che sembra umana ma non lo è? Che sembra sia "tua" ma lo è solo in parte?

Sappiamo che, tra l’altro, più usiamo i chatbot, che sono gestiti dalle poche big tech, più contribuiamo a vari livelli alla loro evoluzione, giusto? (cfr Zuboff)

Qual è la nostra responsabilità individuale in questa evoluzione dell’infosfera? (cfr Floridi)

Ogni nostro gesto digitale ne modifica l’equilibrio: un clic, un commento, una ricerca. Ogni volta che interagiamo online contribuiamo a definire cosa diventa visibile, cosa resta ai margini, come si modella la conversazione pubblica.

Interessante… allora ci sono le responsabilità delle big tech, ci sono quelle di chi definisce le regole, dei governi, ma c’è anche la nostra, individuale, nello scegliere, ad esempio, tra un utilizzo banale e banalizzante della GenAI e un utilizzo per generare valore, per produrre cose sensate.

Non facile, ma nessuno ha mai detto che lo sia, mantenere l’umanità in quello che facciamo, mantenere il senso, non solo quando si tratta di AI.

C’è da avere paura? Se serve a mantenere desta l’attenzione, mi sta bene.

Voi che ne dite?

23 settembre 2025

Da qualche settimana è circolato un dato che ha catturato l'attenzione: il 95% dei progetti di intelligenza artificiale generativa in azienda resta senza risultati tangibili. La fonte è lo studio The GenAI Divide: State of AI in Business 2025, che ha analizzato 300 implementazioni, raccolto 150 interviste a dirigenti e condotto survey con 350 dipendenti. Messa così la cosa colpisce. "Allora è vero, le GenAI sono una bolla, un hype che si auto-alimenta di entusiasmo – e di miliardi - ma poi alla prova dei fatti non porta il valore promesso"… Però sappiamo come funziona: il numero fa rumore e attrae click, i media lo amplificano, i post sui social lo rilanciano… ma per chi ha in mente un approccio professionale alle cose che succedono questa storia diventa uno stimolo a capire come leggere i numeri, interpretare il contesto e trarre qualche conclusione utile.

Alcuni spunti di riflessione

Il report MIT NANDA dichiara apertamente i suoi limiti: "il campione non rappresenta tutti i settori o aree geografiche" e segnala "possibili bias di selezione". Lo studio si basa su 52 interviste - un campione significativo ma forse non definitivo per decretare il fallimento universale della GenAI. Gli autori stessi non sono osservatori neutrali: MIT NANDA sviluppa framework agentici per superare le sfide dell'implementazione AI. Il che non invalida certo la ricerca, ma aiuta a contestualizzarla. C'è poi un aspetto che meriterebbe più attenzione: cosa si intende per "fallimento" di un progetto? Molti di questi tentativi potrebbero essere parte di un fisiologico percorso di apprendimento organizzativo. Quello che viene classificato come "fallimento" potrebbe essere in realtà sperimentazione necessaria per capire come integrare queste tecnologie nei propri contesti.

La tecnologia arriva prima dell'organizzazione

Nonostante questi limiti c'è qualcosa su cui possiamo riflettere. Ogni innovazione tecnologica comporta un rinnovamento organizzativo e segue un percorso ricorrente: entusiasmo iniziale, sperimentazioni, aggiustamenti, consolidamento. Ad esempio è accaduto con la digitalizzazione tra fine anni '80 e anni '90, e anche con l'avvento delle telecomunicazioni mobili.

La tecnologia arriva prima, i cambiamenti organizzativi seguono con ritardo. Non basta pagare gli abbonamenti OpenAI o Microsoft per trasformare i processi aziendali.

La GenAI sembra facile da adottare perché "parla come noi", ma è un'illusione. I sistemi umani richiedono tempi di assestamento. Questo gap temporale emerge chiaramente anche dal report MIT NANDA:

Il 90% dei dipendenti usa strumenti AI personali (ChatGPT, Claude) con successo, mentre solo il 40% delle aziende ha licenze ufficiali.

Il divario qui è principalmente organizzativo, non tecnologico.

Il "Learning Gap" è il vero problema?

Lo studio identifica un aspetto interessante: molti sistemi GenAI attuali hanno difficoltà ad apprendere e migliorare nel tempo senza un intervento umano strutturato. Forse i progetti faticano a decollare perché si tende a sovrapporre la tecnologia ai processi invece di ripensare i flussi di lavoro? Le organizzazioni che secondo il MIT NANDA attraversano quello che viene chiamato "GenAI Divide" mostrano alcuni pattern ricorrenti:  1) Partono dall'analisi dei flussi di lavoro esistenti, non dalla tecnologia;  2) Privilegiano partnership esterne (che mostrano un tasso di successo doppio rispetto ai progetti interni)  3) Investono nel sviluppare competenze interne per governare l'adozione

Ci sono scorciatoie?

Non sembrerebbe... Questo pattern si ripete con ogni ondata di innovazione: chi riesce a cogliere il valore ha prima costruito - o si è ritrovato per la sua storia - le condizioni e le competenze di base. Con la GenAI serve maturità digitale dei processi, competenze analitiche, capacità di sperimentazione guidata. Il 5% che ottiene risultati non ha probabilmente scoperto la "formula magica", ha semplicemente 'fatto i compiti a casa', ha analizzato i processi, ha definito ruoli chiari, ha costruito cicli di apprendimento.

Oltre l'hype, l'approccio professionale

Quello che si può dedurre dal report MIT NANDA quindi non è che "la GenAI non funziona", ma piuttosto "non basta comprare la tecnologia per ottenere risultati". Per chi vuole governare questa transizione, prima di domandarsi "su quale soluzione AI investire?" mi pare utile farsi altre due domande: "quali processi vogliamo migliorare?" e "come organizziamo l'apprendimento?". Questo cambio di prospettiva - dal tecnologico al processuale, dall'acquisto alla progettazione - è fondamentale. La tecnologia può amplificare le competenze esistenti, quando viene integrata consapevolmente. Chi si attrezza per governare il cambiamento, invece di subirlo, potrebbe trovarsi nel 5% che crea valore con l'intelligenza generativa.