Formare le proprie équipe all'intelligenza artificiale: ciò che la pratica installata richiede

Nota rivista il 25 maggio 2026. Articolo inizialmente pubblicato nel febbraio 2026 — riscrittura integrale.

L'intelligenza artificiale generativa è ormai accessibile a tutti i collaboratori di un'impresa attraverso numerosi strumenti di consumo e professionali. Questa accessibilità ha innescato un movimento spontaneo di adozione. Ha anche rivelato uno scarto crescente tra le organizzazioni che dispiegano licenze senza accompagnamento e quelle che strutturano una crescita di competenza delle proprie équipe. Questo scarto non si gioca nella tecnologia. Si gioca nella qualità del dispositivo di formazione.

Questa nota espone la meccanica osservabile di questa differenza, identifica le fasi di una crescita di competenza seria, e qualifica ciò che le PMI svizzere guadagnano a chiarire nel proprio approccio.

Perché la non-formazione produce un costo che non si vede

In un'impresa che acquisisce licenze di strumenti alimentati da modelli generativi senza accompagnamento strutturato, tre fenomeni si installano in qualche mese.

Il tasso di adozione osservato resta basso. Sui dispiegamenti seguiti nella pratica di studio, una parte minoritaria dei collaboratori — tipicamente quelli che avevano già esplorato questi strumenti a titolo personale — utilizza le licenze in modo regolare. La maggioranza prova una o due volte, non identifica come integrare lo strumento nel proprio lavoro, e torna alle proprie pratiche precedenti. Il ROI delle licenze acquisite resta teorico.

L'uso parallelo di strumenti non inquadrati si installa sottobanco. I collaboratori che hanno identificato un valore operativo agli strumenti alimentati da modelli, e che non dispongono di un quadro d'uso chiaro internamente, aggirano le politiche dell'impresa utilizzando le versioni gratuite o personali di questi strumenti. Questa pratica — spesso designata con il termine shadow AI — produce rischi di conformità reali: trasferimento non documentato di dati personali o riservati verso servizi terzi, uso non inquadrato in contesti in cui l'impresa porta una responsabilità legale.

La confusione si installa sulla pertinenza degli strumenti. I collaboratori che hanno fatto esperienze deludenti — risposte imprecise, allucinazioni non rilevate, produzioni da correggere laboriosamente — concludono che lo strumento non è utile, mentre è l'uso che non era appropriato. Questa conclusione indurisce la resistenza al cambiamento, talvolta durevolmente.

Nessuno di questi fenomeni si misura facilmente negli stati finanziari dell'impresa. Tutti si rivelano a medio termine, quando la concorrenza avendo strutturato la propria adozione mostra una produttività che l'organizzazione non formata non riesce a raggiungere.

Tre profili di collaboratori da riconoscere prima di formare

La pratica osservabile distingue tre profili di collaboratori di fronte agli strumenti alimentati da modelli. Questa distinzione è utile all'inquadramento iniziale di un programma di formazione perché un approccio identico per tutti fallisce regolarmente.

I collaboratori già autonomi costituiscono una minoranza. Hanno esplorato gli strumenti a titolo personale, identificato casi d'uso produttivi, e utilizzano ormai questi strumenti nel proprio lavoro quotidiano, talvolta senza che la direzione lo sappia. Il loro ruolo nella formazione è di agire come staffetta operativa presso i propri pari, a condizione che questo contributo sia riconosciuto dall'organizzazione.

I collaboratori curiosi costituiscono la parte centrale. Hanno sentito parlare degli strumenti, forse testato una o due volte, ma non hanno identificato come integrarli nei propri compiti quotidiani. Questo profilo beneficia più direttamente di una formazione strutturata che mostra, sui propri casi, come passare dalla sperimentazione occasionale all'uso regolare.

I collaboratori riluttanti costituiscono la parte che richiede più attenzione. La loro riluttanza non è irrazionale — si appoggia spesso su timori sull'occupazione, sulla qualità dei risultati prodotti, o sul senso del lavoro a venire. Trattare questi timori con serietà, piuttosto che spazzarli via con argomenti di efficienza, è costitutivo di una formazione che raggiunge l'insieme dell'équipe e non soltanto coloro che vi si prestavano già.

La mappatura di questi profili, attraverso un questionario breve e anonimo, costituisce generalmente la prima tappa di un programma serio.

Tre fasi di una crescita di competenza seria

Oltre la mappatura iniziale, una crescita di competenza strutturata si dispiega in tre fasi successive.

La sensibilizzazione anzitutto. Questa fase pone il quadro comune: ciò che gli strumenti alimentati da modelli fanno e non fanno, come funzionano nelle loro grandi linee, quali sono i casi d'uso operativi tipici per il mestiere dell'impresa, quali sono le buone pratiche di riservatezza e di conformità. Questa fase non richiede una competenza tecnica dei partecipanti. Si conduce collettivamente, in due o tre sessioni brevi, e allinea l'équipe su una visione comune.

La pratica guidata poi. Questa fase è la più strutturante. Consiste nel far praticare gli strumenti su casi reali dell'impresa, in un quadro in cui i collaboratori possono provare, fallire, aggiustare, senza rischio per i propri risultati operativi. I workshop per mestiere — un formato per le funzioni marketing, uno per le funzioni finanza, uno per le funzioni tecniche — permettono una crescita di competenza mirata. La pratica insegna ciò che la teoria non può trasmettere: la formulazione dei prompt, la verifica dei risultati, l'integrazione nel flusso di lavoro esistente.

L'autonomia progressiva completa la sequenza. Questa terza fase consiste nel lasciare ai collaboratori l'identificazione essi stessi dei casi d'uso nei propri compiti, nell'organizzare sessioni di condivisione tra pari per diffondere le pratiche che funzionano, nel costruire una biblioteca di prompt interna che capitalizza gli approcci comprovati. Questa fase non si conduce in modalità formazione classica — si conduce in modalità comunità di pratica, su una durata più lunga.

Quattro livelli di competenza da strutturare

Oltre le fasi temporali, la strutturazione di una competenza duratura si appoggia su quattro livelli progressivi, applicabili a ogni mestiere.

Il livello scoperta corrisponde alla comprensione dei principi: cos'è un modello di linguaggio, come produce le proprie risposte nelle grandi linee, cosa ne distingue gli usi pertinenti dagli usi rischiosi. Un collaboratore a questo livello può spiegare in termini semplici ciò che lo strumento fa, senza necessariamente utilizzarlo quotidianamente.

Il livello utilizzo corrisponde alla pratica regolare: formulare prompt efficaci, valutare la qualità delle risposte, rispettare le regole di riservatezza, integrare lo strumento in due o tre compiti settimanali. Questo livello costituisce l'obiettivo minimo di una formazione seria per la maggioranza dei collaboratori.

Il livello integrazione corrisponde alla sofisticazione della pratica: combinazione di più strumenti, prompt complessi in catena di pensiero, integrazione nei flussi di lavoro esistenti, guadagno di tempo misurabile. Questo livello è raggiunto dai collaboratori che investono nella pratica oltre il minimo, e distingue gli utenti efficaci dagli utenti occasionali.

Il livello innovazione completa la gerarchia: identificazione di nuovi casi d'uso, contributo alla biblioteca interna di prompt, formazione dei pari, partecipazione all'evoluzione degli strumenti utilizzati nell'organizzazione. Questo livello riguarda una minoranza di collaboratori, e merita di essere riconosciuto e valorizzato come una competenza a parte intera.

Trattare le resistenze come un argomento, non come un ostacolo

Le resistenze all'adozione sono frequenti, legittime, e portatrici di informazioni sulla qualità del dispositivo di formazione. Tre resistenze classiche meritano un trattamento strutturato.

Il timore per l'occupazione anzitutto. Questo timore non è irrazionale in un contesto in cui il discorso pubblico oscilla tra entusiasmo e catastrofismo sull'impatto dei modelli generativi. Il trattamento produttivo consiste nello spiegare fattualmente ciò che gli strumenti assorbono — compiti, non mestieri — e nel mostrare concretamente come il tempo liberato su questi compiti possa essere reinvestito in attività a più forte valore aggiunto che il collaboratore identifica egli stesso.

Il dubbio sulla qualità dei risultati poi. Questa resistenza è giusta: i modelli generativi producono effettivamente risultati imperfetti, talvolta falsi, che occorre saper valutare. Il trattamento consiste nell'integrare fin dalla formazione iniziale la pratica della verifica sistematica, piuttosto che promettere un'affidabilità che gli strumenti non garantiscono.

La mancanza di tempo dichiarata completa l'elenco. «Non ho tempo di imparare» è raramente la vera ragione; è più spesso l'espressione di una priorizzazione in tensione con altre esigenze. Il trattamento produttivo consiste nell'integrare la formazione nel tempo di lavoro, nel misurare i guadagni operativi che ne risultano, e nel riconoscere esplicitamente l'investimento iniziale come un lavoro legittimo, non come una spesa personale del collaboratore.

Le specificità del contesto svizzero

Tre caratteristiche del mercato svizzero modificano l'approccio della formazione all'intelligenza artificiale.

Il multilinguismo strutturale anzitutto. Le imprese svizzere operano spesso in due-quattro lingue, e la formazione deve coprire le specificità della pratica multilingue: quando promptare nella lingua sorgente, quando promptare nella lingua bersaglio, come gestire le sfumature culturali che i modelli non portano per difetto. Questa dimensione non è aneddotica in un paese in cui la qualità editoriale in ciascuna lingua è attesa.

Il quadro regolamentare strutturato dalla Legge federale sulla protezione dei dati^[1] poi. La formazione deve integrare un versante conformità sostanziale: quali dati possono essere sottoposti a uno strumento alimentato da modello, quali strumenti sono approvati dall'organizzazione, come anonimizzare le informazioni sensibili, come documentare i trattamenti. Questa dimensione giuridica distingue le organizzazioni che adottano gli strumenti seriamente da quelle che si espongono a rischi che l'evoluzione del diritto rivelerà progressivamente.

Il tessuto dominato dalle PMI completa l'elenco. Una parte sostanziale delle imprese svizzere non dispone di un dipartimento di formazione interno, né di un dipartimento IT dedicato all'accompagnamento dei collaboratori sugli strumenti digitali. Questa struttura richiede dispositivi esterni adatti alla taglia — programmi brevi e pragmatici, formato misto presenziale e a distanza, accompagnamento post-formazione prolungato — che differiscono dai programmi concepiti per le grandi strutture.

La disciplina che distingue la serietà

Formare un'équipe all'intelligenza artificiale non è una questione di entusiasmo né di expertise tecnica della direzione. È una questione di disciplina operativa. Le imprese che riescono nella propria adozione pongono quattro arbitraggi chiari a monte: chi prende in carico l'accompagnamento, su quale durata, con quali obiettivi misurabili, con quale quadro di governance per gli usi.

Questa disciplina non richiede un budget sostanziale per produrre i propri effetti. Richiede un'attenzione sostenuta della direzione, un riconoscimento esplicito dell'investimento in tempo dei collaboratori, e una pazienza sulla durata necessaria all'autonomizzazione effettiva delle équipe. Questa pazienza distingue, anche qui, le organizzazioni che consolidano una competenza duratura da quelle che impilano le licenze senza trarne il valore disponibile.

L'intelligenza artificiale non trasforma un'organizzazione attraverso la sola propria presenza negli strumenti. La trasforma attraverso la qualità della pratica che i collaboratori ne fanno, e questa pratica si costruisce nel tempo lungo della formazione e dell'accompagnamento.

Sources

[1] Legge federale sulla protezione dei dati (LPD), revisione del 25 settembre 2020, entrata in vigore il 1° settembre 2023. www.fedlex.admin.ch/eli/cc/2022/491/it [↩]

Jérôme Deshaie è CEO di MCVA Consulting SA, studio svizzero di consulenza strategica in intelligenza artificiale, con sede in Vallese.