Archives For November 30, 1999

Il nuovo report Deloitte sullo stato dell’AI nelle imprese racconta un’adozione ormai concreta. La questione che mi sembra più interessante riguarda ciò che accade intorno alla tecnologia: come cambiano le decisioni, le responsabilità e il lavoro delle persone.

Immaginiamo un gruppo di lavoro che, grazie all’intelligenza artificiale, riesca a individuare in pochi minuti la causa di un problema per un cliente. Ha tutte le informazioni necessarie, ma per intervenire deve ancora attraversare i consueti passaggi autorizzativi e attendere che la decisione risalga la gerarchia. Il tempo guadagnato nell’analisi si disperde lungo il percorso che separa la conoscenza dall’azione.

È una situazione che aiuta a leggere The State of AI in the Enterprise, il report pubblicato da Deloitte nell’ottobre 2026. La ricerca si basa sulle risposte di 3.500 leader in 25 Paesi, appartenenti a organizzazioni che hanno già almeno un’applicazione di AI utilizzata nelle attività quotidiane, ed è integrata da 15 interviste. Il documento attraversa 7 temi: agilità, costi, ritorni economici, ridisegno del lavoro, governance, AI fisica e sovranità tecnologica.

I risultati mostrano quanto rapidamente l’AI stia entrando nelle imprese. Mostrano anche quanto sia impegnativo adattare le organizzazioni alle possibilità che questa tecnologia apre. Come si legge nel report:

«The constraint is no longer whether AI can accelerate work. It’s whether the organization is prepared to redesign the work it accelerates.»

A mio avviso, è questa la chiave di lettura dell’intera ricerca. Possiamo ottenere risposte più rapide e processi più efficienti; il loro valore dipenderà anche da chi può usare quelle risposte, da come si svolge il lavoro e da quali responsabilità siamo disposti a ridefinire.

La velocità incontra il disegno dell’organizzazione

L’81% delle organizzazioni intervistate afferma che l’AI ha migliorato la velocità delle decisioni e dell’esecuzione. Il 25% dichiara di utilizzarla per una trasformazione profonda, attraverso nuovi prodotti o servizi, la revisione dei processi fondamentali o un cambiamento sostanziale del modello di business.

Il divario tra queste percentuali merita attenzione. Risparmiare tempo nelle attività quotidiane produce benefici reali: libera capacità, rende più accessibili le informazioni, permette di affrontare problemi che prima rimanevano sullo sfondo. Per comprendere fin dove arrivino questi benefici, però, occorre osservare l’intero percorso del lavoro. Se un’analisi diventa immediata mentre la decisione continua a dipendere dagli stessi passaggi, il miglioramento si concentra in un tratto del processo.

Mi sembra che qui emerga una domanda familiare a chi si occupa di trasformazione organizzativa: che cosa possiamo cambiare nel modo di lavorare, ora che alcune attività richiedono meno tempo? La risposta può riguardare gli snodi tra funzioni, la relazione con il cliente, il livello a cui si prendono certe decisioni. In qualche caso può aprire la strada a prodotti e servizi che, prima, l’organizzazione non avrebbe avuto le risorse per sviluppare.

I costi dell’AI vanno letti dentro le attività

Il report dedica un capitolo all’economia dell’intelligenza artificiale. Il 71% delle organizzazioni monitora la spesa complessiva per l’utilizzo dei modelli e delle interfacce applicative; il 51% rileva il volume dei token e il 44% il costo unitario delle elaborazioni.

Conoscere la spesa totale è indispensabile, ma dice poco su come si forma. Un’attività apparentemente semplice può richiedere molte chiamate ai modelli, l’uso di strumenti diversi e diversi tentativi prima di arrivare a un risultato. Questo aspetto diventa ancora più importante quando più agenti collaborano all’interno dello stesso processo.

Servono quindi misure che permettano di collegare il costo all’attività svolta e alla qualità del risultato. Per alcune decisioni può essere ragionevole impiegare risorse maggiori; per altre, una soluzione più semplice può funzionare altrettanto bene. Chi è responsabile del processo deve poter vedere queste differenze e intervenire. Anche l’economia dell’AI, in definitiva, dipende dalla chiarezza con cui attribuiamo la responsabilità del lavoro.

Come prendono forma i ritorni economici

Il 28% delle imprese intervistate riferisce incrementi dei ricavi legati all’AI, rispetto al 20% riportato nell’edizione di gennaio. Sono più diffuse le segnalazioni di miglioramenti nell’efficienza e nella produttività (74%), nella qualità delle decisioni e nell’uso dei dati (60%) e nella riduzione dei costi (45%).

I benefici seguono percorsi diversi. Il tempo risparmiato in un’attività può essere osservato abbastanza presto; la crescita dei ricavi richiede spesso che quell’attività cambi una scelta commerciale o l’esperienza di un cliente. Il 67% degli intervistati si aspetta una crescita futura dei ricavi grazie all’AI. Per valutare questa aspettativa, chiederei a ogni iniziativa di rendere esplicito il proprio contributo: quale decisione migliorerà? Chi potrà prenderla? In che modo il cliente se ne accorgerà?

Sono domande utili anche per riconoscere i risultati che meritano di essere sviluppati ulteriormente. Un incremento della produttività può creare le condizioni per un nuovo servizio, una maggiore attenzione ai clienti o una migliore capacità di risposta al mercato. Affinché questo accada, qualcuno deve progettare il passaggio dal tempo guadagnato al valore creato.

Ridisegnare il lavoro significa parlare di autonomia

È nella sezione dedicata al lavoro che la ricerca, a mio avviso, tocca il suo punto più delicato. Il 60% degli intervistati afferma che la propria organizzazione ha ridisegnato le mansioni intorno alle capacità dell’AI almeno in misura moderata. Il 15% descrive questo cambiamento come esteso o completo. Sempre il 15% riferisce uno spostamento significativo o fondamentale dell’autorità decisionale.

Le attività, dunque, stanno cambiando più rapidamente dello spazio d’azione riconosciuto alle persone. Chi lavora può disporre di analisi migliori e ricevere più informazioni, continuando però a dipendere dalle autorizzazioni di sempre. Il report esprime con chiarezza questa tensione:

«Employees are being asked to work differently without being given the power to act differently.»

In questa frase ritrovo molte delle difficoltà che accompagnano i cambiamenti organizzativi. Introduciamo una nuova possibilità tecnica e chiediamo alle persone di adattarsi, ma dedichiamo meno attenzione alle condizioni che consentirebbero loro di utilizzarla con efficacia. Se l’AI rende più rapida la preparazione di un’analisi, possiamo forse avvicinare alcune decisioni a chi conosce direttamente il cliente o il problema. Dobbiamo allora chiarire quali decisioni siano, quali competenze richiedano e quando sia opportuno coinvolgere altri.

C’è poi una questione di apprendimento. Molte attività preparatorie, oggi affidabili all’AI, sono state per anni il modo in cui si imparava un mestiere: osservando casi, confrontando alternative, facendo esperienza sotto la guida di colleghi più esperti. Quando cambiamo quelle attività, dobbiamo progettare anche nuovi modi per sviluppare giudizio professionale.

Il report racconta, per esempio, il caso di un rivenditore che ha introdotto uno strumento di AI per la progettazione degli ambienti e ha riqualificato i propri designer, orientandone diversamente il contributo. È un esempio circoscritto, ma aiuta a formulare la domanda giusta: quale parte del lavoro delle persone vogliamo rendere più ricca, e quali condizioni servono perché possano svolgerla?

Una governance che accompagni le decisioni

Il ridisegno del lavoro conduce direttamente al tema della governance. Il 40% delle aziende intervistate consente all’AI di eseguire decisioni o azioni senza approvazione umana almeno in misura moderata. Tra le organizzazioni che utilizzano più agenti nello stesso processo — un gruppo specifico all’interno del campione — il 9% dichiara di averne una governance completa; secondo il report, circa la metà dispone di una supervisione di base o non ha una governance formale. Il 23% degli intervistati afferma che, quando un sistema di AI produce un esito negativo, la responsabilità non è chiara.

Questi dati chiedono di guardare alla governance nel luogo in cui il lavoro avviene. Un sistema che mette informazioni a disposizione di una persona ha un ruolo diverso da uno che suggerisce una scelta o che può eseguirla autonomamente entro certi limiti. Permessi, controlli, modalità di escalation e attribuzione delle responsabilità devono tenere conto di queste differenze e delle conseguenze possibili.

Come si legge nel report:

«In that sense, governance becomes part of the company’s operating model, not a review added after the work is complete.»

È un passaggio importante anche per la qualità dell’autonomia umana. Quando i confini sono chiari, un team sa quali decisioni può prendere e in quali casi deve chiedere un confronto. Quando sono vaghi, persino scelte ordinarie tendono a risalire l’organizzazione, oppure vengono prese senza che sia chiaro chi ne risponderà. Per questo considero governance e ridisegno del lavoro parti dello stesso progetto: entrambi definiscono come si distribuiscono il giudizio, l’azione e la responsabilità.

Quando l’AI opera nel mondo fisico

L’indagine guarda anche all’AI fisica, applicata a sistemi che interagiscono con ambienti, sensori, macchinari e dispositivi. Oggi il 25% delle aziende intervistate ne segnala un utilizzo almeno moderato; gli intervistati si aspettano che la quota raggiunga il 48% entro 2 anni. È una previsione, mentre il 19% valuta già elevata o molto elevata la propria competenza in questo ambito.

La distanza tra adozione attesa e competenze dichiarate suggerisce prudenza nella progettazione. Un sistema fisico deve integrarsi con apparecchiature e procedure esistenti e mantenere nel tempo livelli adeguati di affidabilità e sicurezza. Le conseguenze di un errore dipendono dall’ambiente in cui opera e dalle persone che possono esserne coinvolte. Occorrono quindi competenze tecniche, operative e di sicurezza capaci di lavorare insieme fin dalle prime scelte di impiego.

Sovranità tecnologica e capacità di scegliere

Infine, il 74% degli intervistati considera almeno moderatamente importanti la residenza dei dati e la disponibilità di capacità di calcolo nella propria regione. Il 62% esprime almeno una moderata preoccupazione per la dipendenza da tecnologie e infrastrutture di AI di proprietà straniera.

La sovranità tecnologica riguarda la possibilità di conoscere e governare dipendenze che diventano sempre più rilevanti. Dati, fornitori, modelli e infrastrutture presentano compromessi diversi in termini di prestazioni, costi, velocità e resilienza; le esigenze possono cambiare anche da un’attività all’altra.

Per questo una strategia utile identifica dove il controllo è particolarmente importante e quali alternative siano realmente percorribili. Poi torna periodicamente su quelle scelte. Le architetture evolvono, così come le condizioni normative e di mercato: conservare margini di manovra richiede attenzione nel tempo.

Le decisioni da prendere adesso

Nelle pagine finali, il report propone 6 priorità. Mi sembra utile leggerle come decisioni congiunte sul funzionamento dell’impresa, perché ciascuna influenza le altre.

  • Scegliere quali attività ridisegnare dall’inizio alla fine. Conviene partire dai processi in cui l’AI sta già producendo un miglioramento visibile e seguirli fino al risultato per il cliente o per l’organizzazione. In questo percorso si possono distinguere i passaggi che aggiungono competenza e controllo da quelli che introducono attese superflue. La decisione riguarda anche il contributo umano che vogliamo valorizzare.
  • Attribuire alle persone un’autorità coerente con il lavoro che chiediamo loro di svolgere. Per ogni ruolo ripensato occorre stabilire quali indicazioni dell’AI siano di supporto, quali decisioni possano essere prese direttamente e quando serva un’approvazione. Responsabilità e possibilità di agire devono evolvere insieme.
  • Collegare i costi alle singole attività. La spesa complessiva va ricondotta ai processi, ai modelli utilizzati, alle chiamate effettuate e ai token consumati. Solo così chi guida un’attività può confrontare costo, qualità e utilità dei risultati e correggere le scelte tecniche quando serve.
  • Rendere esplicito il percorso che porta ai ricavi. Per le iniziative con ambizioni commerciali bisogna chiarire quale decisione o esperienza cambierà: il prezzo, la comprensione della domanda, la relazione con il cliente, la capacità di proporre un servizio nuovo. È importante assegnare un responsabile che possa agire su quel cambiamento e verificarne gli effetti.
  • Dare a ogni sistema una governance commisurata alla sua autonomia. Informare, raccomandare ed eseguire comportano livelli diversi di responsabilità. Permessi, approvazioni, monitoraggio ed escalation dovrebbero essere definiti prima della messa in esercizio, insieme al nome di chi risponde degli esiti.
  • Preparare le competenze e custodire le opzioni future. Nel caso dell’AI fisica, significa investire per tempo nell’integrazione, nell’affidabilità, nella sicurezza e nella conoscenza delle operazioni. Nel caso della sovranità, significa comprendere le dipendenze critiche e riesaminare periodicamente l’equilibrio tra controllo, capacità tecnologica, costi e resilienza.

Nessuna di queste scelte può essere risolta soltanto acquistando una tecnologia più capace. Richiedono che funzioni aziendali diverse discutano insieme di processi, persone, investimenti e responsabilità. È un lavoro meno immediato dell’introduzione di un nuovo strumento, ma è il lavoro che permette di utilizzare ciò che lo strumento rende possibile.

La domanda che mi porterei via dalla lettura del report è questa: se oggi abbiamo più capacità di analizzare e agire, quale organizzazione vogliamo costruire intorno a quella capacità? Dalla risposta dipenderanno sia il valore prodotto dall’AI sia la qualità del lavoro delle persone che continueranno a darle una direzione.

Chi segue questo spazio – e in generale quello che scrivo ormai da quasi un ventennio – sa che il tema del futuro del lavoro non ha mai rappresentato, per me, una semplice etichetta editoriale, ma un campo di ricerca e di pratica nel quale convergono tecnologia, organizzazione, cultura e responsabilità manageriale. Nel 2022 pubblicavo Future of Work: le Persone al Centro, costruire il lavoro e la società del futuro.
Oggi quel lavoro torna in una nuova edizione, rivista, ampliata e aggiornata alla luce delle trasformazioni che, in questi anni, hanno ridefinito con forza il perimetro del possibile.

Viviamo una fase storica in cui la quantità di contenuti prodotti dall’intelligenza artificiale supera ormai quella generata dagli esseri umani. È un fenomeno organizzativo, culturale, antropologico, ancor prima che tecnologico. Impone una revisione profonda dei processi aziendali, dei modelli decisionali, delle architetture di governance e delle pratiche di collaborazione. Non si tratta di introdurre nuovi strumenti, ma di ripensare il modo in cui il valore viene generato, validato e distribuito all’interno delle organizzazioni.

Stefano Besana – Il Futuro del Lavoro e delle Organizzazioni – Ledizioni

Le imprese non possono limitarsi ad adattarsi in modo reattivo. È necessario assumere una postura diretta, consapevole, capace di dare indirizzo. Governare il cambiamento significa orientarlo, definire priorità, stabilire confini etici e criteri di responsabilità. Significa chiarire quale ruolo attribuire ai sistemi di AI nei processi critici, quali competenze sviluppare, quali rischi presidiare. La neutralità, in questa fase, non è un’opzione strategica.

Allo stesso tempo, la cooperazione uomo–macchina non è più un’ipotesi teorica. È un dato di fatto che attraversa la quotidianità operativa di molte organizzazioni; questo richiede di accompagnare le persone, di progettare nuove modalità di collaborazione (come quelle che sono descritte nei casi riportati all’interno del volume), di ridefinire responsabilità e metriche di performance.

La nuova edizione di Future of Work nasce da questa consapevolezza. I capitoli sono stati aggiornati e ampliati per affrontare in modo sistematico l’impatto dell’intelligenza artificiale generativa, dei sistemi agentici e delle nuove infrastrutture digitali sul lavoro, sulla leadership e sui modelli organizzativi. Il focus rimane sulle persone, ma con uno sguardo ancora più attento alle implicazioni concrete per HR, top management e policy maker.

Dopo anni di dibattito sul tema, appare evidente che il futuro del lavoro non sia un orizzonte già scritto. È uno spazio di progettazione: le tecnologie evolvono rapidamente, ma la loro direzione dipende dalle scelte culturali e strategiche che sapremo compiere. Servono nuove competenze, certamente: competenze digitali avanzate, capacità di lettura dei dati, comprensione dei sistemi intelligenti. Tuttavia, prima ancora delle skill tecniche, sono necessarie innovazioni culturali. Occorre ripensare il rapporto con l’errore, con l’apprendimento continuo, con la distribuzione del potere decisionale, sviluppare quella che Donald Schön ha definito riflessività. E – mai come oggi – occorre sviluppare fiducia nei dati, ma anche senso critico verso di essi, in un mondo dominato da “ectipi” (Floridi, 2025) e da una sintesi di dati fabbricati che ci impongono di domandarci cosa sia reale e cosa non lo sia.

Rimane centrale la domanda che già animava la prima edizione: quale futuro del lavoro vogliamo contribuire a costruire? Spostare la prospettiva dalla previsione alla progettazione significa assumersi una responsabilità. Significa riconoscere che organizzazioni, leader e professionisti non sono spettatori del cambiamento, ma co-autori.

In questa nuova versione del volume ho cercato di offrire strumenti concettuali e operativi per orientarsi in uno scenario che non è solo più complesso, ma più interconnesso. Tecnologia, modelli organizzativi, cultura e impatto sociale non possono più essere trattati come ambiti separati. Comprendere, come ricordava Heisenberg, significa individuare il legame che riconduce fenomeni diversi a un insieme coerente. È in questa coerenza che si gioca la sostenibilità del lavoro futuro.

Il futuro del lavoro resta, quindi, un cantiere aperto. Non una tendenza da osservare, ma un progetto da guidare. Questa nuova edizione rappresenta un invito a farlo con maggiore consapevolezza, rigore e intenzionalità.

Per chi vorrà approfondire e continuare la discussione, il libro è disponibile online. Il confronto, come sempre, rimane aperto su questo spazio e sui miei canali: https://amzn.to/4arU0Jy

L’Intelligenza Artificiale Agentica non rappresenta semplicemente il prossimo passo nell’automazione: costituisce una trasformazione profonda nel modo in cui le organizzazioni operano. Secondo il blueprint Agentic Enterprise 2028 di Deloitte, ci stiamo muovendo verso un modello in cui gli agenti intelligenti non si limitano a supportare il lavoro umano, ma agiscono in autonomia per percepire il contesto, prendere decisioni ed eseguire attività lungo i flussi di lavoro.

Questa evoluzione non è speculativa né lontana nel tempo: il suo orizzonte di trasformazione è stimato in tre a cinque anni. Le organizzazioni che iniziano a prepararsi oggi non solo ridurranno gli attriti operativi, ma potranno liberare nuove forme di contributo umano e creare valore strategico inedito.

In questo contesto, autonomia non significa sostituire le persone, ma ridefinire il significato stesso del lavoro umano.

Perché ora: le forze che spingono verso l’autonomia

Il report individua tre driver principali che rendono urgente l’adozione dell’autonomia:

  1. Competizione accelerata – le aziende devono rispondere più rapidamente e operare con maggiore efficienza.
  2. Evoluzione normativa – crescono le richieste di accountability, trasparenza e gestione del rischio.
  3. Maturità tecnologica – i sistemi di IA possono oggi pianificare, adattarsi e coordinare, non solo classificare o predire.

In breve, l’autonomia non è più solo uno strumento per incrementare la produttività: è un mezzo per costruire resilienza in ambienti incerti.

La Scala dell’Autonomia

Per comprendere questa evoluzione, il report introduce la metafora della “scala dell’autonomia”. Si parte da sistemi che assistono e consigliano, fino ad arrivare ad agenti capaci di coordinare processi complessi e, infine, di migliorare sé stessi.

Ciò che cambia in modo particolarmente significativo è il ruolo umano a ogni stadio: con l’aumentare dell’autonomia, le persone si spostano gradualmente dall’eseguire compiti, a supervisionare come i compiti vengono svolti, fino a definire obiettivi e intenti strategici.

Il valore umano non scompare: si sposta verso il giudizio, l’interpretazione, i confini etici e la capacità di comprendere ciò che conta nel contesto.

Progettare un Modello Operativo Agentico

Uno dei messaggi più chiari del report è che l’autonomia non può essere un’aggiunta estemporanea: richiede una riprogettazione coordinata a più livelli dell’organizzazione. Sei elementi risultano essenziali:

  1. Strategia chiara – non ogni flusso di lavoro necessita di un agente; il lavoro deve trarre reale beneficio.
  2. Governance affidabile – le regole devono essere esplicite, verificabili e adattive.
  3. Fondazione dati solida – agenti intelligenti agiscono solo quanto i dati che ricevono sono ricchi, aggiornati e integrati.
  4. Architettura tecnologica interoperabile – sistemi che comunicano tra loro, non strumenti isolati.
  5. Sviluppo della workforce – le persone devono essere preparate a nuovi ruoli, non semplicemente “riallocate”.
  6. Modello di cambiamento dinamico – l’organizzazione deve imparare mentre si trasforma.

Non si tratta di un aggiornamento tecnico: è una vera e propria riconfigurazione organizzativa.

Misurare il Progresso: Return-on-Autonomy

Per assicurare che l’autonomia generi valore, il report propone il concetto di RoA – Return-on-Autonomy.
Non si tratta solo di efficienza, ma di considerare:

  • Velocità di decisione
  • Riduzione dei tempi di ciclo
  • Diminuzione degli errori e dei rifacimenti
  • Qualità dei risultati
  • Soddisfazione e fiducia degli utenti degli agenti

Il valore non risiede solo nelle azioni degli agenti, ma nel modo in cui l’impresa evolve di conseguenza.

Un Percorso Graduale, Non un Balzo

Il viaggio verso l’impresa agentica è progressivo:

  1. Iniziare con piccoli scenari pilota, dove valore e vincoli sono chiari.
  2. Espandere l’autonomia a sequenze di azioni, non solo a singoli compiti.
  3. Progettare processi e sistemi fin dall’inizio per lavorare con e attraverso gli agenti.

Ogni passo costruisce le basi per il successivo: l’autonomia ha effetto cumulativo.

Verso il Lavoro Umano-Agentico

La transizione verso l’impresa agentica non significa semplicemente aggiungere intelligenza ai flussi esistenti. Come sottolinea il report Work, Reworked, “agentic AI isn’t just a powerful new tool — it requires us to reimagine how work gets done.”

Questo è il punto di svolta: le organizzazioni devono decidere se l’autonomia diventa un livello aggiuntivo sui processi legacy o il catalizzatore di una riprogettazione profonda del valore.

Senza un redesign, l’autonomia scala solo inefficienza. Per realizzarne il pieno potenziale, le organizzazioni devono spostarsi:

  • dal cambiamento guidato dalla tecnologia alla trasformazione centrata sull’uomo
  • da ruoli basati sui compiti a design del lavoro basato sui risultati
  • dalla crescita dipendente dal personale alla performance scalabile attraverso l’orchestrazione
  • dall’inerzia culturale alla prontezza organizzativa come capacità strategica

L’autonomia non è una destinazione: è il modello operativo che permette a esseri umani e agenti AI di operare come un sistema unico.

Le organizzazioni che guideranno questa transizione saranno quelle che riprogetteranno il lavoro dall’inizio, creando ambienti dove gli agenti digitali gestiscono complessità e scala, mentre le persone recuperano tempo, attenzione e spazio cognitivo per ciò che richiede vero giudizio, creatività e finalità.

Il futuro delle performance aziendali non è uomo contro macchina, né uomo al servizio della macchina. È lavoro guidato dall’umano, abilitato dagli agenti, ancorato ai risultati.

Chi agisce ora, con decisione e intenzione, non solo opererà più efficacemente: plasmerà un sistema di lavoro più adattivo, resiliente e significativo, dove l’autonomia diventa la base di una nuova forma di potenziale umano.

“Le domande come ‘che cos’è l’intelligenza artificiale?’ o ‘è possibile?’ non hanno più senso. Ciò che conta ora sono le questioni aperte sulla sua natura e il suo impatto.”
— Daniel C. Dennett

Una nuova svolta antropologica

L’Intelligenza Artificiale (AI) non rappresenta semplicemente un’evoluzione tecnologica: è la più profonda provocazione antropologica che l’umanità abbia mai affrontato. Come sottolinea Dennett, non ha più senso chiedersi se l’AI sia possibile; la vera domanda è come essa stia cambiando la nostra condizione umana.
L’AI sta già ridefinendo non solo i meccanismi del lavoro, ma anche i dispositivi interpretativi attraverso i quali costruiamo senso, comunichiamo significati, comprendiamo il mondo. Una trasformazione che richiama la profonda connessione fra tecnologia e cognizione umana studiata da Doreen Kimura, che ha mostrato la relazione fra le aree cerebrali deputate ai movimenti fini e quelle del linguaggio, evidenziando come l’evoluzione della manipolazione tecnica sia legata a quella della capacità di articolare concetti complessi.

Non è un caso, allora, che i Large Language Models (LLM) rappresentino ben più di un salto tecnico: essi riscrivono il modo in cui generiamo, manipoliamo e condividiamo significato. Il linguaggio da dispositivo interpretativo si fa sintetico, generativo, artificiale—sfidando i confini tra naturale e artificiale.
Lo stesso accade con le immagini: la fotografia, un tempo specchio del reale, ora genera mondi mai esistiti. La catena referenziale della verità si spezza, aprendo a nuove ambiguità, creatività—e rischi.
L’AI ci obbliga dunque a ripensare le frontiere fra naturale e artificiale, conoscenza e calcolo, delega e responsabilità. Come afferma Manuel Castells, non c’è rivoluzione tecnologica senza rivoluzione culturale.

Come restare rilevanti in questo scenario? Come rafforzare le competenze umane distintive quando le macchine ci superano nei compiti che consideravamo unici? La sfida che si pone a HR, formatori, leader non è tecnica, ma culturale.

Serve uno sguardo integrato, che intrecci dimensioni storiche, filosofiche, sociologiche, cognitive, per orientare la trasformazione del lavoro e delle organizzazioni.


Il continuum evolutivo della tecnica

L’AI non è una rottura improvvisa nella storia umana. Come osservava Ernst Mach nel 1905, l’uomo è spinto da una naturale inclinazione a riprodurre ciò che comprende—una tendenza che attraversa ogni epoca.

Dal mito di Prometeo ai calcolatori di Pascal, dagli automi greci ai sistemi AI odierni: è questo impulso a imitare e riprodurre il reale a generare evoluzione tecnologica. L’AI ne è l’espressione più radicale.
Per Arnold Gehlen, l’uomo è un essere biologicamente incompleto, che esternalizza funzioni vitali in strumenti e ambienti. La tecnologia non è un accessorio: è estensione funzionale dell’umano. L’AI è oggi la più avanzata protesi epistemologica, che ridefinisce percezione, decisione, apprendimento.

Il Test di Turing (1950) ha spostato la questione dal meccanico all’identitario: se una macchina si comporta come un uomo, dov’è il confine della coscienza? Penrose, Churchland, Barr & Feigenbaum, Edelman hanno spinto più a fondo il dibattito, intrecciando filosofia, neuroscienze, cibernetica.
Le macchine Darwin III e Nomad di Edelman hanno mostrato come l’apprendimento possa emergere dall’adattamento, non dalla programmazione. Allo stesso modo, gli agenti intelligenti descritti da Giuseppe Riva rivelano l’AI come nuovo attore cognitivo nello spazio umano.

L’AI riflette così le nostre aspirazioni, contraddizioni, paure. È prisma della tensione evolutiva fra conoscenza e calcolo, intuizione e automatismo, creatività e replica.

Riflessività e resistenza: vantaggi cognitivi umani

Per questo il ruolo umano nella governance dell’AI deve cambiare. Come scrive Donald Schön, i professionisti efficaci agiscono in “zone indeterminate” — spazi di incertezza e conflitto. Qui conta la reflection-in-action: la capacità di percepire, interrogare, modificare in corso d’opera.

Per le organizzazioni ciò significa trattare l’adozione dell’AI come processo adattivo continuo, non come progetto tecnico finito. Serve chiedersi: quali effetti imprevisti produce? Come cambiano dinamiche di team, potere, competenze?
La reflection-on-action amplia questo lavoro: rileggere pratiche, assunzioni, risultati; promuovere cultura del feedback, policy trasparenti, apprendimento permanente.

Essenziale anche il concetto di Olivier Houdé di “imparare a resistere“. Nell’era degli LLM, resistere alla risposta immediata e intuitiva diventa competenza cruciale. L’output dell’AI può sembrare autorevole—ma richiede verifica, controllo delle fonti, giudizio critico.

Questa resistenza cognitiva tutela l’unicità umana: creatività, empatia, etica, analisi critica. Senza di essa rischiamo di ridurci a validatori passivi di decisioni algoritmiche.


Dall’Human-in-the-Loop all’Human-on-the-Loop

Serve allora un salto di paradigma: da “human-in-the-loop” a “human-on-the-loop”.
L’”in-the-loop” confina l’umano a supervisore di emergenza, ruolo reattivo e marginale. L’”on-the-loop” vede l’umano come progettista, stratega, governatore del sistema:

  • Definizione di scopo e limiti;
  • Progettazione di architetture etiche e trasparenti;
  • Interpretazione dei risultati nel contesto socio-culturale;
  • Controllo ultimo e potere di disattivazione.

HR ha qui ruolo cruciale: l’AI impatta reclutamento, formazione, collaborazione, valutazione, cultura. Il compito è garantire che essa amplifichi—non impoverisca—potenziale, diversità, autonomia umana.


Implicazioni organizzative: strategia, competenze, etica

  1. Strategia: integrazione AI richiede adattamento culturale e strutturale, non solo tecnico.
  2. Competenze: l’OCSE avverte sul divario di skill. Urgente riqualificazione diffusa.
  3. Governance: come indicano Deloitte e McKinsey, le aziende sono impreparate alla gestione dei rischi AI. Servono policy robuste.
  4. Cultura: l’AI ridefinisce l’identità organizzativa. HR deve gestire paure, resistenze, promuovere adozione consapevole.
  5. Etica: come nota Kurzweil, se le macchine imitano l’uomo, la posta etica si alza. L’agenzia umana responsabile resta insostituibile.

Verso un nuovo umanesimo digitale

L’AI ci impone di rinnovare competenze umanistiche: metacognizione, etica, riflessività, resistenza. Non sono lussi—sono competenze di sopravvivenza.

Come scriveva Antoine de Saint-Exupéry:

“La tecnologia non allontana l’uomo dai grandi problemi della natura: lo costringe a studiarli più a fondo.”

Dobbiamo accogliere questa sfida.


Letture consigliate e riferimenti bibliografici

  • Accoto, C. (2017). Il mondo dato: Cinque brevi lezioni di filosofia digitale. Egea.
  • Accoto, C. (2023). Il pianeta latente: L’intelligenza delle piattaforme come nuovo ordine del mondo. Egea.
  • Besana, S. (2021). The Future of Work: AI, People, and Organizational Change. Hoepli.
  • Castells, M. (1996). The rise of the network society. Blackwell.
  • Churchland, P. M. (1984). Matter and consciousness: A contemporary introduction to the philosophy of mind. MIT Press.
  • Deloitte. (2024–2025). Human Capital Trends 2024–2025. Deloitte Insights.
  • Dennett, D. C. (1996). Kinds of minds: Toward an understanding of consciousness. Basic Books.
  • Edelman, G. M. (1987). Neural Darwinism: The theory of neuronal group selection. Basic Books.
  • Feigenbaum, E. A., & Barr, A. (1981). The handbook of artificial intelligence (Vol. 1). Heuristech Press.
  • Gehlen, A. (1980). Man in the age of technology. Columbia University Press.
  • Houdé, O. (2019). The psychology of intelligence. Routledge.
  • Kurzweil, R. (1999). The age of spiritual machines: When computers exceed human intelligence. Penguin Books.
  • Mach, E. (1905). The analysis of sensations (C. M. Williams, Trans.). Dover Publications.
  • McKinsey & Company. (2023). The state of AI in 2023: Generative AI’s breakout year. McKinsey Global Survey.
  • OECD. (2023). Skills Outlook 2023: Skills for a resilient green and digital transition. OECD Publishing.
  • Penrose, R. (1989). The emperor’s new mind: Concerning computers, minds, and the laws of physics. Oxford University Press.
  • Riva, G. (2004). The psychology of cyberspace: The impact of the Internet on self and society. Ios Press.
  • Saint-Exupéry, A. de. (2000). Wind, sand and stars (L. Galantière, Trans.). Mariner Books. (Original work published 1939)
  • Schön, D. A. (1983). The reflective practitioner: How professionals think in action. Basic Books.
  • Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460.

La National Academies of Sciences, Engineering, and Medicine ha pubblicato un report approfondito intitolato Artificial Intelligence and the Future of Work. Questo studio analizza l’impatto dell’AI sulla produttività, sulle dinamiche del lavoro, sull’istruzione e sulle politiche pubbliche. Qui sotto esploriamo i punti chiave del report, arricchendoli con dati e insight per offrire un quadro chiaro e concreto dell’influenza attuale e futura dell’AI.


Scoperta 1: L’AI è una tecnologia generalista in rapida evoluzione

“AI is a general-purpose technology that has recently undergone significant rapid progress. Still, there is a great deal of uncertainty about its future course, suggesting that wide error bands and a range of contingencies should be considered.”

  • Il mercato globale dell’AI crescerà da 136,6 miliardi di dollari nel 2022 a 1,81 trilioni entro il 2030, con un CAGR del 37,3%.
  • I modelli di linguaggio di grandi dimensioni (LLM) hanno visto un’espansione esponenziale, passando da 40GB (GPT-2, 2019) a 45TB (GPT-4, 2023).
  • Gli investimenti in ricerca e sviluppo sull’AI hanno raggiunto 91,9 miliardi di dollari nel 2022, con un aumento del 19,6% rispetto all’anno precedente.

Scoperta 2: I sistemi di AI oggi sono ancora imperfetti

“AI systems today remain imperfect in multiple ways. For example, LLMs can ‘hallucinate’ incorrect answers to questions, exhibit biased behavior, and fail to reason correctly to reach conclusions from given facts.”

  • Tasso di errore: L’AI ha un margine di errore del 15-20%, specialmente in settori critici come sanità e diritto.
  • Bias nei modelli: Uno studio MIT ha rivelato che il riconoscimento facciale ha un tasso di errore 34,7% più alto per persone con pelle scura rispetto a quelle con pelle chiara.
  • Cybersecurity: Gli attacchi phishing basati su AI sono aumentati del 126% anno su anno.

Scoperta 3: L’AI continuerà ad avanzare, ma la sua traiettoria è incerta

“Significant further advances in AI technology are highly likely, but experts do not agree on the exact details and timing of likely advances.”

  • Incertezza sulle tempistiche: Il 47% degli esperti prevede l’AI a livello umano entro il 2040, mentre il 25% pensa che non arriverà prima del 2075.
  • Potenza computazionale: La capacità di calcolo per l’addestramento AI è raddoppiata ogni 3,4 mesi dal 2012, superando la legge di Moore.
  • Adozione aziendale: Il 77% delle aziende sta esplorando l’AI, ma solo il 23% l’ha completamente integrata nei processi aziendali.

Scoperta 4: Il potenziale dell’AI per la produttività è significativo ma disomogeneo

“AI offers the promise of significant improvements in productivity, but achieving these benefits will require complementary investments in skills and organizational processes.”

  • Aumento della produttività: L’AI potrebbe far crescere il PIL globale del 7% all’anno entro il 2030.
  • Differenze settoriali: L’AI potrebbe migliorare la produttività del 25% in IT e software, ma solo del 5-10% in sanità e manifattura.
  • Automazione del lavoro: Il 60% dei lavori attuali ha almeno il 30% delle attività automatizzabili.

Scoperta 5: L’impatto dell’AI sull’occupazione dipenderà da molteplici fattori

“The labor market consequences of AI deployment will depend both on the rate at which AI’s capabilities evolve and on demographic, social, institutional, and political forces.”

  • Perdita di posti di lavoro: Secondo McKinsey, l’AI potrebbe sostituire 400 milioni di posti di lavoro entro il 2030, ma crearne tra 550-600 milioni di nuovi.
  • Demografia e lavoro: Il calo della popolazione attiva nei paesi avanzati potrebbe compensare le perdite occupazionali dovute all’AI.
  • Disuguaglianza salariale: Il top 10% degli stipendi ha visto una crescita del 14% grazie all’AI, mentre i salari dei lavoratori meno qualificati sono rimasti stagnanti.

Scoperta 6: Il ruolo dell’AI nell’istruzione e nella formazione professionale è in crescita

“AI will have significant implications for education at all levels, from primary to continuing workforce education.”

  • Apprendimento personalizzato: Le piattaforme educative AI-driven hanno aumentato i tassi di ritenzione degli studenti del 12-18%.
  • Necessità di riqualificazione: 1,1 miliardi di lavoratori dovranno essere riqualificati nei prossimi dieci anni.
  • Investimenti in formazione aziendale: Le aziende hanno speso 366 miliardi di dollari in programmi di upskilling nel 2022, con un incremento del 32% rispetto al 2019.

Scoperta 7: Servono misurazioni migliori per monitorare l’impatto dell’AI sul lavoro

“Better measurement of how and when AI advancements affect the workforce is needed.”

  • Monitoraggio dell’adozione AI: Solo il 35% dei paesi ha statistiche ufficiali sull’impatto dell’AI sul lavoro.
  • Lacune nei dati pubblici: Il 42% dei policymaker denuncia una mancanza di metriche affidabili sull’occupazione AI.
  • Tendenze nel mercato del lavoro: Le offerte di lavoro legate all’AI su LinkedIn sono aumentate del 72% negli ultimi due anni.

Conclusione: Il Futuro del Lavoro non è preordinato

“It is impossible to predict exactly the nature of AI’s effects, but society can take steps to shape AI’s impact through policy, education, and ethical guidelines.”

  • I policymaker devono bilanciare innovazione e regolamentazione, garantendo che i benefici dell’AI siano distribuiti equamente.
  • Le aziende devono investire in strategie di lavoro aumentato dall’AI, privilegiando la collaborazione uomo-macchina rispetto alla pura automazione.
  • I lavoratori devono puntare su apprendimento continuo e adattabilità, sfruttando i nuovi strumenti AI per restare competitivi.

L’impatto dell’AI sul lavoro è complesso e articolato. Solo con scelte consapevoli e strategie mirate possiamo garantire che l’AI contribuisca a un futuro del lavoro più produttivo, equo e innovativo.

Il nuovo report di Deloitte sullo stato dell’Intelligenza Artificiale Generativa è stato pubblicato. Alcune indicazioni risultano interessante per l’analisi dei fenomeni organizzativi:

  • Il ritmo dell’adozione della GenAI varia significativamente tra settori e regioni, influenzato da fattori come infrastrutture tecnologiche e apertura culturale.
  • Solo il 28% delle aziende ha integrato la GenAI nelle funzioni principali, evidenziando un divario tra prontezza tecnologica e preparazione della forza lavoro.
  • Le principali aspettative delle organizzazioni riguardo alla GenAI includono riduzione dei costi (74%), personalizzazione per i clienti (56%) e accelerazione dell’innovazione (48%).
  • Solo il 39% delle iniziative avanzate di GenAI raggiunge o supera le aspettative di ROI, spesso a causa di costi elevati e disallineamenti strategici.
  • Le preoccupazioni etiche e normative, come bias e privacy dei dati, rimangono barriere critiche all’adozione su larga scala.
  • La resistenza culturale e la paura di perdere posti di lavoro ostacolano il progresso; un forte supporto della leadership è essenziale per superare queste sfide.
  • Problemi tecnici e vincoli economici potrebbero rallentare l’implementazione della GenAI, richiedendo una pianificazione strategica e investimenti mirati.

L’AI presenta notevoli variazioni tra settori, regioni e dimensioni organizzative. Fattori come la prontezza tecnologica, l’apertura culturale e gli ambienti normativi giocano un ruolo cruciale nell’influenzare la velocità e la portata dell’implementazione.

Ad esempio: i settori guidati dalla tecnologia, come l’informatica e i servizi finanziari, sono in prima linea, dimostrando capacità avanzate e strategie di integrazione. Al contrario, settori come la produzione e la sanità spesso arrancano a causa di vincoli infrastrutturali e requisiti di conformità stringenti.

Questo ritmo irregolare pone una doppia sfida. I primi utilizzatori ottengono un vantaggio competitivo sfruttando la GenAI per ottimizzare le operazioni, migliorare l’esperienza del cliente e stimolare l’innovazione.

Al contrario, i ritardatari rischiano di cadere in un ciclo di obsolescenza tecnologica, rendendo sempre più difficile recuperare terreno. Le organizzazioni devono valutare le loro circostanze uniche e sviluppare strategie su misura per navigare in questo contesto dinamico. Come osservato da un leader del settore:

“Il ritmo di adozione della GenAI dipende tanto dalla mentalità quanto dall’infrastruttura. Le aziende che abbracciano il cambiamento prospereranno; quelle che lo resistono faticheranno.”

A che punto siamo con l’adozione nella forza lavoro?

Le implicazioni della GenAI per la forza lavoro sono profonde, prefigurando un cambiamento paradigmatico nei ruoli, nelle competenze e nelle strutture occupazionali. I dati del rapporto evidenziano alcune tendenze chiave:

  • Il 62% delle organizzazioni ha avviato programmi di aggiornamento delle competenze.
  • Solo il 28% ha integrato la GenAI nelle funzioni lavorative principali, rivelando un notevole divario tra prontezza e implementazione.

Questo divario evidenzia una barriera critica: il disallineamento tra progresso tecnologico e preparazione umana. I dipendenti spesso vedono la GenAI attraverso una lente di incertezza, percependola come un fattore dirompente piuttosto che un abilitatore. Questa percezione è aggravata da una comunicazione inadeguata sui benefici della GenAI e dalla mancanza di opportunità per riqualificarsi e adattarsi ai nuovi ruoli.

Colmare questa lacuna richiede un approccio multifaceted, tra cui iniziative di formazione robuste adattate a diversi livelli di competenza, un dialogo trasparente sull’impatto della tecnologia e la creazione di ruoli ibridi che combinino l’expertise umana con le capacità dell’IA.

Quali benefici puntano a raggiungere le iniziative di GenAI?

Le organizzazioni mirano a una gamma di benefici attraverso le iniziative di GenAI, guidate dal potenziale per l’automazione, l’innovazione e l’insight strategico. Secondo il rapporto, il 74% degli intervistati identifica la riduzione dei costi e l’ottimizzazione dei processi come obiettivi principali. Inoltre, il 56% utilizza la GenAI per esperienze personalizzate dei clienti, sfruttando strumenti come chatbot, motori di raccomandazione e analisi del sentiment, mentre il 48% sfrutta la GenAI per l’innovazione e il prototyping rapido.

Esempi specifici di benefici includono l’automazione di compiti ripetitivi come l’inserimento dati e l’analisi di base, il miglioramento dell’engagement del cliente attraverso la personalizzazione in tempo reale e l’abilitazione di un’ideazione del prodotto più rapida e accurata per ridurre il time-to-market. Nonostante questi vantaggi, realizzare il pieno potenziale della GenAI richiede una visione coesa che allinei gli investimenti tecnologici agli obiettivi organizzativi, una collaborazione interdipartimentale per integrare senza soluzione di continuità le iniziative di IA e valutazioni regolari delle performance per affinare le strategie.

Le iniziative avanzate di GenAI soddisfano le aspettative di ROI?

Il ritorno sull’investimento (ROI) rimane un parametro critico per valutare il successo delle iniziative di GenAI. Il rapporto rivela un panorama misto, in cui solo il 39% delle implementazioni avanzate soddisfa o supera le aspettative di ROI.

I principali fattori che influenzano il ROI includono elevati investimenti iniziali in infrastrutture, acquisizione di talenti e integrazione di sistemi, che spesso ritardano la realizzazione del ROI. Inoltre, i gap di competenze e il disallineamento tra gli obiettivi della GenAI e i più ampi obiettivi organizzativi possono ridurre il valore percepito di queste iniziative.

Le organizzazioni che raggiungono risultati forti in termini di ROI condividono tratti comuni, come la definizione chiara degli obiettivi con risultati misurabili, la collaborazione interfunzionale per allineare le iniziative di IA alle strategie aziendali più ampie e il monitoraggio continuo e l’adattamento delle performance della GenAI.

Cosa potrebbe rallentare l’adozione della GenAI?

Sebbene il potenziale della GenAI sia innegabile, diversi ostacoli potrebbero ostacolare la sua diffusione su larga scala:

  • Preoccupazioni Regolatorie ed Etiche: Le normative sulla privacy dei dati e la sicurezza stanno diventando sempre più stringenti. Le preoccupazioni riguardanti il bias algoritmico e la trasparenza richiedono quadri di governance solidi.
  • Resistenza Culturale: La resistenza al cambiamento all’interno delle organizzazioni, spesso derivante dalla paura della perdita di posti di lavoro, può rallentare i progressi. Il supporto dei leader è cruciale per superare l’inerzia culturale.
  • Limitazioni Tecniche: Nonostante i progressi, persistono sfide come la comprensione contestuale e l’integrazione con sistemi legacy. Problemi nella generazione di output accurati per compiti complessi possono erodere la fiducia nelle soluzioni di IA.
  • Vincoli Economici: Le pressioni di bilancio, soprattutto in contesti con risorse limitate, potrebbero ritardare le implementazioni di GenAI. Le richieste di investimento concorrenti costringono le organizzazioni a dare priorità ad altre iniziative.

Affrontare questi ostacoli richiede di promuovere una cultura dell’innovazione per incoraggiare la sperimentazione, investire in iniziative di aggiornamento delle competenze per colmare il divario di talento e collaborare con gli enti regolatori per navigare efficacemente nelle sfide di conformità.

In un precedente articolo ho tracciato alcune linee guida rispetto all’introduzione dell’Intelligenza Artificiale all’interno dei contesti HR. All’interno di questo pezzo vorrei provare ad approfondire maggiormente il tema, in modo da delineare alcuni possibili use case per i professionisti del mondo HR. Gli use case presentati sono solo un’ipotesi circa alcune delle possibili applicazioni dell’AI in contesti HR. Va da sé che gli scenari possano essere molto più ampi.

«Le domande come “che cos’è la vita?” o “la vita è possibile?” non sono più questioni interessanti perché hanno avuto soluzione. La questione dell’intelligenza artificiale è la medesima, vi sono moltissime domande, questioni non risolte riguardo ad essa, ma non ha più senso porre invece la domanda se essa sia possibile»
(Daniel C. Dennett)

Partiamo da alcune evidenze: il fenomeno è assolutamente pervasivo le direzioni HR delle differenti aziende hanno visioni abbastanza allineate. Alcuni dati secondo Gartner:

  • il 76% dei responsabili HR concorda sul fatto che resterà indietro nel successo organizzativo se non adotterà e implementerà la GenAI entro 12-24 mesi.
  • Gli obiettivi più comuni per l’utilizzo della GenAI nelle HR sono il miglioramento dell’efficienza (77%), il miglioramento dell’esperienza dei dipendenti (52%) e il potenziamento del processo decisionale (43%).
  • I responsabili HR hanno preoccupazioni in merito alla privacy e alla sicurezza dei dati (77%), alla parzialità e alla discriminazione (53%) e ai problemi di conformità alle disposizioni di legge (41%).

È, quindi, un tema di forte rilevanza che richiede un interesse specifico da parte di tutti i professionisti HR. Vediamo alcuni casi d’uso applicativi che possono rappresentare un punto di svolta interessante per gli HR di tutto il mondo.


Gestione e acquisizioni dei talenti

Tra i principali benefici ritroviamo un maggiore coinvolgimento dei candidati e la possibilità di attirare e selezionare profili maggiormente in linea con l’esigenza aziendale, efficientando l’intero processo di selezione. Più nel dettaglio alcune possibili applicazioni sono:

  • Supporto nella definizione del sito web aziendale e del portale “career” per attrarre candidati.
  • Personalizzazione del testo delle campagne di recruiting.
  • Creazione e contestualizzazione degli annunci di lavoro.
  • Sintesi e trascrizione delle interviste svolte ai candidati.
  • Creazione e contestualizzazione delle lettere di offerta.
  • Creazione e personalizzazione di contenuti per il processo di onboarding.


HR Services

Un’altra dimensione che potrebbe fortemente beneficiare dal processo è quella di servizi a supporto della popolazione aziendale. Il vantaggio si traduce in maggiore produttività, migliore circolazione della conoscenza, incremento della soddisfazione e dell’engagement dei dipendenti. Più nel dettaglio:

  • Assistente virtuale HR. Per aiutare i dipendenti a risolvere i problemi HR in modo rapido e semplice
  • Riepilogo dei contenuti e delle delle richieste di servizio. A supporto anche degli agenti HR.
  • Riepilogo dei contenuti degli articoli della knowledge base (KB) per i dipendenti. Aiuta i dipendenti a trovare le informazioni di cui hanno bisogno in modo più rapido e facile.
  • Creazione di articoli della KB basati sui gap espressi dagli utenti e manifestati nelle Q&A più frequenti.
  • Aggiornamento delle risposte del personale di supporto HR.
  • Classificazione di email/documenti.


Learning

Anche la dimensione di apprendimento e di costruzione di contenuti per la formazione non è esente dall’impatto dell’HR e – anzi – può beneficiare notevolmente dalla capacità di generare contenuti innovativi e ingaggianti con costi molto bassi. Questo può portare benefici anche in termini di scalabilità, efficienza e uniformità del contenuto. Più nel dettaglio:

  • Adattamento dei contenuti di apprendimento esistenti e aggiornamento dei contenuti.
  • Sviluppo e creazione di nuovi contenuti.
  • Sintesi/riassunto del materiale per l’apprendimento.
  • Creazione di nuove immagini e animazioni.  
  • Generazione di domande per quiz/valutazioni.
  • Elaborazione dei risultati di valutazione e semplificazione – attraverso automazione – del processo di valutazione.


Talent & Skill

Altra dimensione che può essere arricchita dall’AI è quella che riguarda Talenti e Competenze. Nello specifico possiamo impiegare l’AI per migliorare l’employee experience delle nostre persone e per definire percorsi di carriera maggiormente in linea con le loro competenze e ambizioni. Attraverso l’accesso immediato e l’elaborazione di un numero sempre maggiore di dati siamo in grado di fornire risposte immediate e prevedere percorsi di carriera e di formazione davvero in linea con i desiderata e i bisogni dell’utente.

Più nel dettaglio:

  • Miglioramento del feedback sulle prestazioni, attraverso l’inclusione di maggiori dati e informazioni sulla performance della persona.
  • Suggerimento di obiettivi, risultati chiave e goal sulla base di strategia, prestazioni passate e altri documenti.
  • Riepilogo del feedback sulle prestazioni con la creazione di dashboard aumentate da una mole di dati molto maggiore rispetto al passato.
  • Allineamento delle competenze proposte per il lavoro specifico.
  • Raccomandazioni di carriera basate su una maggiore – e migliore – profilazione.
  • Lettura e analisi delle competenze specifiche.
  • Employee Voice: supporto nella definizione di survey e della creazione di dashboard per l’ascolto attivo del personale aziendale.
  • Workforce Planning: nella definizione e nel supporto a una migliore pianificazione in linea con le competenze espresse dal singolo.


E la dimensione umana?

Esiste un’altra dimensione da prendere in considerazione, e da non sottovalutare, il tema dell’AI, e della sua introduzione all’interno del mondo organizzativo, porta con sé – inevitabilmente – profonde rivoluzioni dei modelli di lavoro e della cultura organizzativa.

Come professionisti del mondo HR dobbiamo, quindi, essere parte attiva all’interno della rivoluzione, anche se i casi d’uso riguardano altri dipartimenti o funzioni dell’azienda.

Nello specifico, io credo, su almeno 5 dimensioni specifiche:

  1. Strategia di implementazione. L’AI ha profondi risvolti etici, sociali, culturali e organizzativi. Al tavolo di implementazione dell’AI all’interno dell’azienda, non possono mancare attori HR.
  2. Modello di governance. Per lo stesso motivo di cui sopra, è necessario che l’HR, come altre funzioni aziendali rilevanti siano coinvolte e partecipi del processo guidando e orchestrando il cambiamento in essere.
  3. Inclusion & Diversity. Come sappiamo l’AI può essere estremamente biased, ragionando su basi statistiche e predittive e reiterando modelli dominanti esistenti, non sempre funzionali. È necessario un controllo umano per garantire sia la correttezza dell’output, sia il suo allineamento con le policy di inclusione e diversity dell’azienda.
  4. Adoption & Change Management. Come per la trasformazione digitale, l’introduzione dell’AI all’interno del contesto di lavoro porta, inevitabilmente, a una modifica delle modalità di lavoro. È necessario che l’HR guidi il cambiamento supportando processo di cambiamento culturale e adozione.
  5. Learning. Come ogni tecnologia deve essere appresa, come appresi devono essere i nostri modi di relazionarci ad essa.

È una sfida che non possiamo sottovalutare, ma – ancora più importante – dobbiamo indirizzare come protagonisti del cambiamento.

Infine, molto importante risulta sottolineare la capacità di muoversi in uno scenario altamente mutevole che impone un range di sfide completamente nuove. Come afferma anche Kurzweil

«if a machine can prove indistinguishable from a human, we should award it the respect we would to a human – we should accept that it has a mind » (Kurzweil, 2012: p. 266). 

È bene comunque sottolineare che questo complesso lavoro deve essere fatto in modo attivo, partecipato e

«quest’area di competenza dev’essere costruita sperimentando ed elaborando artefatti e scenari che considerino dunque le peculiarità del contesto digitale. Solo operando in questo modo il formatore ha l’opportunità di andare oltre la semplice integrazione delle nuove possibilità nei quadri operativi del passato» (Cattaneo & Rivoltella, 2010: p. 33).