Se riavvolgessimo la bobina del tempo, rivedremmo uno dei passaggi più discutibili dell’introduzione dell’AI Generativa nei luoghi di lavoro. Si è fatto formazione, come se non ci fosse un domani, a come usarla e solo dopo ci si è cominciato a chiedere se le persone fossero preparate a governarne gli errori.
Prompting, velocità di esecuzione, automazione, produzione di testi e documenti, sono diventati rapidamente materia di corsi aziendali. Molto meno spazio, tranne qualche raro e virtuoso corso, è stato dedicato a failure modes, hallucination, bias, esposizione dei dati, verifica degli output, copyright, responsabilità ed escalation. Non parliamo, poi, dell’assetto organizzativo dell’azienda per accogliere l’implementazione di un Sistema di AI. Davvero ridotta la porzione di formazione riservata a questi temi.
Il policy brief pubblicato da interface il 25 agosto 2026 mette a fuoco questa frattura ed evidenzia come la formazione aziendale sia stata prevalentemente costruita intorno alla produttività, mentre la logica dell’AI Act richiederebbe la capacità di utilizzare l’AI in modo informato e di riconoscerne rischi e potenziali danni. Gli autori arrivano alla conclusione severa che oggi non esista evidenza pubblicata che dimostri che un programma di AI literacy, pubblico o privato, realizzi effettivamente quanto richiesto dall’articolo 4 (in Italia, per fortuna, non è stato così, e qualche buon esempio c’è stato).
Il problema diventa evidente con la velocità dell’adozione. Il 20% delle imprese europee con almeno dieci dipendenti, nel 2025, ha utilizzato AI, tra le grandi imprese la quota è salita al 55%. Nel frattempo, il mercato formativo è cresciuto senza una metrica condivisa capace di stabilire se chi concluda un corso abbia realmente imparato a riconoscere un comportamento anomalo del sistema.
Il paper individua le tre falle di hashtag#motive, hashtag#quality e hashtag#measurement. Si insegna soprattutto a ottenere risultati migliori dagli strumenti, ma manca una soglia comune di qualità dei percorsi e soprattutto, manca una misura validata dell’apprendimento. Essere molto bravi nel prompting può, quindi, convivere con una sostanziale incapacità di capire quando il modello sta producendo qualcosa di falso, distorto o rischioso.
Da qui la proposta di smettere di pensare all’AI literacy come a una competenza uniforme.
La quantità di conoscenza necessaria deve dipendere da quanto una persona interagisce con l’AI e dalle conseguenze di quell’interazione, indipendentemente da seniority, titolo professionale o preparazione tecnica. Indicano, così, i tre livelli cumulativi di hashtag#L0 Baseline, per chiunque operi nell’organizzazione, hashtag#L1 Operational, per chi utilizza sistemi AI come parte del proprio lavoro e hashtag#L2 Oversight, per chi opera o supervisiona sistemi high-risk.
Bisogna imparare a misurare per verificare l’effettivo aumento della comprensione. Il rischio è di attestare la frequenza di un corso, anziché una competenza.
L’immagine grafica di copertina è realizzata con l’IA.
Dottoressa Valeria Lazzaroli
Valeria Lazzaroli è Presidente dell’Ente Nazionale per l’Intelligenza Artificiale (ENIA) e Chief AI & Risk Officer di ARISK®, spin-off deeptech del Politecnico di Torino specializzato in AI per il Risk Management. Economista, psicologa del lavoro e sociologa dell’innovazione.