L’AI literacy nelle aziende non può più essere trattata come un semplice corso da completare per mettersi in regola. Con l’AI Act, l’alfabetizzazione sull’intelligenza artificiale diventa una competenza continua, da aggiornare mentre cambiano strumenti, modelli e processi organizzativi.
Da argomento dibattito a problema operativo
Il 2 febbraio 2025, per una percentuale schiacciante di uffici HR, dipartimenti legali e nodi direzionali aziendali, l’AI Act si è bruscamente trasformato da un tema di dibattito regolatorio a un problema operativo, concreto e pressante. Il fulcro di questa svolta risiede nell’obbligo esplicito, introdotto per fornitori e deployer, di garantire un “livello sufficiente di alfabetizzazione AI” all’interno delle proprie organizzazioni.
Questa scadenza normativa ha innescato in modo quasi automatico una reazione che chiunque lavori nel contesto aziendale conosce ormai a memoria per averla vissuta più volte: una corsa frenetica e disorganizzata a webinar preconfezionati, pillole video e corsi a catalogo acquistati in blocco con l’unico vero obiettivo di “mettersi in regola” e proteggere l’azienda da eventuali sanzioni.
Il cortocircuito strutturale
Tuttavia, questo approccio standardizzato si scontra immediatamente con una realtà tecnologica spietata. Quei contenuti didattici, inseriti nelle piattaforme di apprendimento aziendali, sono già vecchi e superati nel momento esatto in cui vengono erogati ai dipendenti. Ci troviamo di fronte a un cortocircuito strutturale: stiamo provando a normalizzare e a racchiudere in percorsi didattici rigidi una tecnologia che muta e si evolve a una velocità decisamente superiore rispetto al tempo materiale necessario a scrivere, approvare e pianificare il piano formativo che dovrebbe spiegarla e diffonderla.
Prendiamo come esempio emblematico il caso del prompt engineering. Nel 2023 questa disciplina sembrava essere la competenza fondamentale del secolo, il fattore d’oro che avrebbe ridefinito il mercato del lavoro e il valore dei singoli professionisti. Oggi, invece, il prompt engineering è già stato ridotto a una nicchia specialistica e, se guardiamo alle prospettive future, tra appena due anni sarà con ogni probabilità un semplice ricordo del passato.
In pochissimi mesi, infatti, lo scenario è mutato in modo radicale: siamo passati rapidamente dall’interazione testuale diretta agli agenti autonomi, ai sistemi basati su un reasoning esteso e, infine, ad agenti che orchestrano e correggono il proprio flusso di esecuzione.
Di conseguenza, il dipendente medio che ha completato con successo il suo corso standard di AI literacy a febbraio, si ritrova oggi a utilizzare sul posto di lavoro strumenti, logiche e interfacce che quel programma didattico ministeriale o aziendale non poteva nemmeno lontanamente immaginare o prevedere nella propria struttura teorica.
Una strategia sbagliata: l’AI come checklist
Il peccato originale delle strategie aziendali risiede nel fatto che l’azienda media tratta l’intelligenza artificiale e il relativo AI Act con lo stesso identico mindset con cui ha affrontato il GDPR nel 2018: ovvero come se fosse un adempimento normativo statico, una checklist di requisiti da spuntare una volta per tutte per poi archiviare la pratica.
Con la protezione dei dati personali questo specifico approccio ha oggettivamente funzionato, poiché le regole, i flussi e i vincoli legali, una volta compresi, assimilati e implementati nei sistemi, restano strutturalmente stabili nel corso del tempo.
Con l’intelligenza artificiale, invece, pretendere di replicare questo modello rigido rappresenta un vero e proprio suicidio organizzativo.
Il fallimento silente del 2025
È esattamente in questa fessura che si innesta il fallimento più profondo e al contempo più sottovalutato del 2025. Non stiamo parlando del fallimento macroscopico dei grandi progetti pionieristici di intelligenza artificiale finiti male o interrotti con clamore, ma di una piaga molto più silenziosa e diffusa: il fallimento dei pilot che non superano mai la fase embrionale.
Come evidenziato da recenti studi condotti da istituti di riferimento come il MIT e il BCG, la stragrande maggioranza delle iniziative legate all’AI generativa si arena inesorabilmente proprio nel momento cruciale del passaggio dal prototipo iniziale alla produzione effettiva nei flussi di lavoro di tutti i giorni.
Questo blocco sistematico non deve essere interpretato come un limite di natura tecnica o tecnologica, bensì come un fenomeno diretto da parte dell’organismo aziendale. Le aziende, semplicemente, non hanno sviluppato al proprio interno gli anticorpi necessari, e di conseguenza le competenze adeguate, per poter gestire, governare e assecondare l’evoluzione continua del software.
I modelli in crisi: formazione a snapshot e consulenza “mordi e fuggi”
Se analizziamo le cause di questo stallo, emerge chiaramente perché i modelli formativi e consulenziali tradizionali stanno cedendo sotto il peso dell’accelerazione tecnologica:
- Formazione “snapshot”: Si tratta di corsi erogati una tantum, concepiti e realizzati con il solo scopo di ottenere uno sgravio fiscale, sfruttare un finanziamento o esibire una certificazione formale. Questi percorsi si rivelano estremamente utili per soddisfare le esigenze della burocrazia e degli uffici di controllo, ma del tutto inutili per l’operatività quotidiana dei lavoratori. Il loro limite strutturale è che fotografano una realtà tecnologica specifica, un’istantanea che scompare e perde di significato commerciale e tecnico dopo appena 90 giorni dal rilascio.
- Consulenza “mordi e fuggi”: In questo scenario, il fornitore o partner tecnologico esterno sviluppa la sua Proof of Concept (POC), la consegna ai manager, emette la fattura e sparisce dall’orizzonte aziendale. L’azienda cliente si ritrova così tra le mani un vero e proprio “prototipo orfano”: un oggetto tecnologico isolato che il reparto IT interno non possiede le competenze per manutenere o integrare e che le nuove, continue release dei modelli linguistici rendono obsoleto, inefficiente o inutilizzabile nel giro di po