Una formazione AI efficace parte dai processi e dai ruoli, non dal catalogo degli strumenti. Deve unire AI literacy, pratica su casi reali, valutazione critica, regole d’uso, coaching dei manager e verifica nel tempo. Il risultato non è “aver frequentato il corso”, ma usare l’AI con più autonomia, qualità e responsabilità.
La formazione sull’intelligenza artificiale non funziona quando insegna soltanto a premere i pulsanti giusti. Un tool cambia, un’interfaccia viene aggiornata, un prompt diventa vecchio. La competenza che resta è un’altra: saper scegliere il problema, dare contesto, valutare l’output, proteggere dati e persone, integrare l’AI nel lavoro e verificare il risultato.
Da quando progetto formazione aziendale in modo indipendente, dal 2009, torno sempre allo stesso principio: trasferire competenze, non soltanto informazioni. Una lezione brillante può entusiasmare. La formazione produce valore quando, il giorno dopo, una persona sa fare meglio qualcosa che prima faceva male, lentamente o senza criterio.
Qui trovi una matrice di competenze AI per ruoli, un percorso 30/60/90 giorni e un modello di laboratorio. Sono strumenti da usare subito in riunione con HR, manager e responsabili di processo.
Perché la formazione sull’intelligenza artificiale si esaurisce dopo l’aula
Il problema raramente è la mancanza di contenuti. Oggi tutorial, webinar e dimostrazioni sono ovunque. Il problema è il passaggio tra ciò che una persona ha visto e ciò che riesce ad applicare nel proprio contesto.
Quando preparo un corso di poche ore, il lavoro invisibile può richiedere molto più tempo dell’erogazione: analisi del bisogno, studio del cliente, scelta degli esempi, esercitazioni, materiali, quiz, adattamento del linguaggio e follow-up. È questa preparazione che trasforma una spiegazione generica in apprendimento utile.
Negli anni ho lavorato con oltre 135.000 partecipanti. Quel numero non dimostra automaticamente il risultato di ogni progetto, ma mi ha permesso di osservare un pattern ricorrente: le persone ricordano ciò che hanno dovuto interpretare, provare, correggere e collegare a una responsabilità reale. Ricordano molto meno una sequenza di funzioni mostrate troppo velocemente.
AI literacy: non è sinonimo di saper scrivere prompt
L’AI literacy comprende la capacità di capire cosa può fare un sistema, dove può sbagliare, quali dati sono coinvolti, quali conseguenze può produrre e quale controllo umano serve. Il Regolamento europeo sull’intelligenza artificiale, all’articolo 4, collega l’alfabetizzazione AI alle conoscenze tecniche, all’esperienza, all’istruzione, alla formazione e al contesto d’uso.
Questo punto ha una conseguenza operativa: non esiste un unico corso adatto a tutti. Un manager deve saper decidere perimetro, responsabilità e criteri di verifica. Un commerciale deve proteggere i dati del cliente e controllare promesse e personalizzazioni. HR deve riconoscere rischi e limiti nell’uso su persone. Marketing deve verificare fonti, coerenza e diritti. Chi amministra i sistemi deve governare accessi, dati e monitoraggio.
Le sei competenze che una formazione AI aziendale deve costruire
1. Formulare il problema
Prima del prompt viene la diagnosi. La persona deve distinguere il risultato desiderato dall’attività che immagina di automatizzare. «Scrivere più velocemente» non è ancora un problema; «ridurre il tempo necessario a trasformare appunti approvati in una prima bozza controllabile» lo è molto di più.
2. Dare contesto e vincoli
L’AI lavora meglio quando riceve scopo, destinatario, fonti, criteri, formato e limiti. Insegno a costruire consegne che rendano visibile il ragionamento richiesto, non formule magiche da copiare.
3. Valutare l’output
Una risposta plausibile può contenere errori, omissioni o generalizzazioni. La competenza sta nel verificare fatti, confrontare fonti, riconoscere ciò che manca e chiedere una revisione mirata.
4. Governare dati e rischio
Le persone devono sapere quali informazioni non inserire, quali strumenti sono autorizzati, quando serve anonimizzare e chi coinvolgere in caso di dubbio. La regola deve essere comprensibile e vicina al lavoro, non nascosta in un documento che nessuno legge.
5. Integrare l’AI nel processo
Un buon output isolato non basta. Serve chiarire dove entra nel flusso, chi lo controlla, che cosa accade dopo e come vengono gestite le eccezioni. Per questo la formazione deve dialogare con l’AI readiness dell’azienda: senza processo, dati, governance e ownership, la competenza individuale resta fragile.
6. Misurare e migliorare
Ogni partecipante dovrebbe uscire con un comportamento osservabile e un criterio di verifica: tempo risparmiato includendo la revisione, errori ridotti, qualità più uniforme, informazioni recuperate più velocemente, decisioni meglio documentate.
Matrice delle competenze AI per ruolo
Questa matrice non sostituisce l’analisi dei bisogni. Serve a far emergere le differenze prima di costruire il programma.
| Ruolo | Competenze prioritarie | Prova di apprendimento |
|---|---|---|
| Direzione e manager | Priorità, rischio, governance, responsabilità, KPI. | Approva o ferma un caso d’uso motivando la decisione. |
| Team operativi | Contesto, prompt, verifica, gestione eccezioni. | Esegue un’attività reale e documenta controllo e correzioni. |
| Marketing e contenuti | Fonti, tono, fact-checking, riuso, diritti. | Produce una bozza tracciabile con fonti e revisione umana. |
| Vendite | Preparazione, personalizzazione, CRM, dati cliente, giudizio. | Prepara una conversazione senza delegare all’AI la relazione. |
| HR e formazione | Impatto sulle persone, equità, privacy, skill transfer. | Disegna un percorso per ruoli con evidenze e follow-up. |
| IT, data e compliance | Accessi, qualità dati, sicurezza, monitoraggio, incidenti. | Valuta un uso e definisce controlli proporzionati. |
Un percorso 30/60/90 giorni per trasformare il corso in comportamento
Giorni 1–30: comprendere e scegliere
- mappare strumenti già usati, anche informalmente;
- definire un vocabolario comune e le regole essenziali;
- raccogliere casi d’uso per ruolo;
- scegliere un solo laboratorio a rischio controllato;
- misurare la baseline prima della prova.
Giorni 31–60: applicare e correggere
- lavorare su esempi reali anonimizzati o autorizzati;
- osservare il comportamento, non soltanto l’output;
- registrare errori, dubbi e passaggi di revisione;
- far intervenire il manager con feedback specifico;
- aggiornare prompt, procedura e regole.
Giorni 61–90: consolidare e decidere
- confrontare risultato e baseline;
- verificare qualità, tempo totale, rischio e adozione;
- formalizzare una pratica riusabile;
- decidere se estendere, modificare o fermare;
- pianificare richiamo e coaching sul lavoro.
Come progettare un laboratorio AI che non sia una demo
Io partirei da un compito reale, abbastanza frequente da contare e abbastanza circoscritto da poter essere controllato. Il laboratorio dovrebbe avere cinque passaggi:
- Brief: problema, destinatario, risultato e vincoli.
- Prima esecuzione: la persona lavora come farebbe normalmente.
- Uso guidato dell’AI: costruisce contesto e criteri, poi genera o analizza.
- Revisione: confronta, verifica, corregge e documenta gli errori.
- Debrief: decide che cosa standardizzare e che cosa deve restare umano.
In Barilla ho conosciuto da vicino il valore di metodo, disciplina, reporting e responsabilità. Ricordo anche quanto una formazione sulla comunicazione assertiva abbia influenzato il mio interesse successivo per il tema. Non fu importante soltanto il contenuto: lasciò una lente con cui leggere situazioni future. È questo che cerco oggi nella formazione AI: non una collezione di trucchi, ma un criterio che continui a funzionare quando cambia lo strumento.
Template per definire un modulo formativo AI
Compila questi nove campi
- Ruolo e processo coinvolto
- Problema osservabile
- Comportamento attuale
- Comportamento atteso
- Uso AI consentito e vietato
- Dati e fonti disponibili
- Esercitazione reale
- Prova di apprendimento
- Follow-up a 30 giorni e owner
La rubrica a quattro livelli per valutare una competenza AI
Per evitare valutazioni vaghe, uso una rubrica che descrive il comportamento. Va adattata al compito, ma la logica resta stabile:
- Livello 0 — dipendente: usa l’AI senza chiarire scopo e vincoli, accetta l’output o richiede correzioni casuali.
- Livello 1 — guidato: completa il compito con un modello fornito, ma fatica a riconoscere omissioni e rischi.
- Livello 2 — autonomo: costruisce il contesto, verifica le fonti, corregge l’output e documenta il passaggio umano.
- Livello 3 — adattivo: sa scegliere quando usare o non usare l’AI, adatta il metodo a casi nuovi e aiuta altri a migliorare.
La rubrica rende il feedback più equo perché descrive ciò che è stato osservato. Non classifica il valore della persona. Inoltre permette di progettare esercitazioni diverse: chi è al livello guidato ha bisogno di pratica strutturata; chi è autonomo può lavorare su eccezioni, rischio e trasferimento ad altri processi.
Chiederei al partecipante di autovalutarsi prima e dopo il laboratorio, ma non userei l’autovalutazione come unica prova. La confronterei con un compito reale, una revisione ragionata e il follow-up del manager. Spesso il divario tra fiducia percepita e comportamento osservato è il dato formativo più interessante.
Questo approccio protegge anche dalla corsa alla certificazione simbolica. Un attestato dice che una persona ha completato un percorso; non dimostra da solo che sappia gestire un caso nuovo, riconoscere un output inaffidabile o fermarsi quando mancano le condizioni. La prova migliore resta l’applicazione competente nel contesto reale.
Documenterei infine gli esempi riusciti e quelli falliti. Non per creare una biblioteca infinita di prompt, ma per conservare il ragionamento: contesto, fonte, criterio di revisione, errore incontrato e decisione finale. Questa memoria condivisa riduce la dipendenza da poche persone esperte e rende l’apprendimento aggiornabile quando cambiano strumenti, regole o processi. Una formazione che lascia soltanto le slide si consuma; una formazione che lascia criteri, pratiche e una knowledge base continua a lavorare.
Prompt per trasformare un bisogno generico in un obiettivo formativo
Prompt da copiare
Agisci come instructional designer critico. Ti descriverò un ruolo, un processo e un problema. Non creare subito il corso. Prima separa: conoscenze necessarie, abilità da praticare, decisioni da saper prendere, rischi da riconoscere e comportamento osservabile atteso. Poi proponi: 1) un obiettivo formativo verificabile; 2) un’esercitazione su un caso reale; 3) una rubrica di valutazione a quattro livelli; 4) un follow-up a 30 giorni; 5) ciò che non può essere valutato con i dati disponibili. Non inventare metriche né risultati.
Come scegliere tra corso, workshop, coaching e knowledge base
- Corso: quando serve costruire basi comuni, concetti e criteri.
- Workshop: quando il team deve applicare su un problema condiviso.
- Coaching: quando serve correggere il comportamento nel lavoro reale.
- Knowledge base: quando procedure, esempi e regole devono restare accessibili e aggiornabili.
Spesso il percorso migliore combina i quattro elementi. Il corso apre, il workshop applica, il sales coaching sostiene e la knowledge base evita che l’apprendimento si disperda. L’articolo sull’intelligenza simbiotica aggiunge un altro tassello: capire dove l’AI accelera e dove il giudizio umano resta insostituibile.
Errori da evitare nella formazione AI aziendale
- scegliere il programma prima di analizzare ruoli e processi;
- misurare soltanto presenze e gradimento;
- promettere produttività senza includere revisione e controllo;
- usare dati reali sensibili durante esercitazioni non governate;
- lasciare i manager fuori dal follow-up;
- confondere curiosità personale con adozione organizzativa;
- non prevedere aggiornamento di materiali e regole.
Domande frequenti sulla formazione AI
Quanto deve durare un corso di intelligenza artificiale?
Dipende dall’obiettivo. Per creare consapevolezza può bastare un incontro breve; per trasferire una competenza servono pratica, feedback e follow-up. La durata dell’aula, da sola, non misura la qualità del percorso.
È meglio un corso generale o diviso per funzioni?
Una base comune è utile per linguaggio, regole e responsabilità. L’applicazione dovrebbe poi essere divisa per ruoli e processi, perché cambiano dati, decisioni, rischi e prove di apprendimento.
Come si misura se la formazione ha funzionato?
Con evidenze sul comportamento e sul processo: qualità dell’output, errori riconosciuti, rispetto delle regole, tempo totale inclusa la revisione, autonomia e capacità di decidere quando non usare l’AI.
La formazione AI è obbligatoria?
L’AI Act europeo prevede misure di alfabetizzazione AI per chi fornisce o utilizza sistemi AI nel proprio contesto. Il modo concreto va proporzionato a ruolo, conoscenze, esperienza e contesto d’uso. Per gli aspetti di conformità specifici è opportuno coinvolgere le competenze legali dell’organizzazione.
Si può fare formazione senza aver scelto un unico strumento?
Sì, e spesso è utile. Problema, contesto, valutazione critica, rischio, controllo umano e integrazione nel processo sono competenze trasferibili. Le esercitazioni possono poi usare gli strumenti autorizzati dall’azienda.
Prima di progettare il corso, chiarisci dove si rompe il lavoro
Se il bisogno formativo è ancora espresso come “dobbiamo imparare l’AI”, il rischio è comprare un programma generico. Parti dal check-up aziendale, individua il nodo e costruisci la formazione attorno a un comportamento reale.
Fonti e approfondimenti
- Commissione europea, AI talent, skills and literacy
- Unione europea, Regolamento (UE) 2024/1689, articolo 4
- NIST, AI Risk Management Framework
Advisor Strategico | Comunicazione, Vendita, Leadership, Marketing e AI per PMI
Aiuto imprenditori, manager e PMI a capire dove si rompe il risultato tra comunicazione, vendita, leadership, marketing, processi e uso dell’AI.
Da oltre 40 anni lavoro nel business, nella comunicazione e nello sviluppo delle persone e ho formato più di 135.000 persone in tutta Italia.
Il mio approccio parte dalla diagnosi: capire cosa funziona, cosa non funziona e cosa manca, per trasformare dispersione e iniziative scollegate in priorità, responsabilità e azioni concrete.
CONTATTAMI DIRETTAMENTE DA QUI
Alessandro Ferrari
Advisor Strategico
