Uno studio recente della Wharton School racconta un paradosso che molte aziende italiane conoscono bene, anche senza averlo mai misurato. L’intelligenza artificiale genera oggi molto più codice, molte più bozze, molte più analisi di prima. Il problema è che gran parte di questo output resta inutilizzato. La ricerca sulla formazione AI parte proprio da qui: non basta produrre di più, serve insegnare ai team a integrare quel lavoro nei flussi reali.
Il collo di bottiglia non è tecnico, è umano
Secondo lo studio citato da Knowledge at Wharton, l’AI accelera drasticamente la scrittura di software, ma i benefici non arrivano ai clienti perché mancano le persone e i processi per validare, integrare e distribuire quel lavoro in tempo. È come avere un magazzino pieno di merce pronta e un solo camion per consegnarla: la produzione da sola non serve a nulla se la logistica resta quella di prima.
Per una PMI italiana che ha adottato Copilot, ChatGPT o un tool di generazione automatica di report, il rischio è identico. Un ufficio marketing può produrre dieci bozze di campagna in un pomeriggio, ma se poi manca chi le rivede, le adatta al brand e le approva, quelle bozze restano file dimenticati in una cartella condivisa. La formazione AI seria non insegna solo a usare lo strumento, insegna a ridisegnare il flusso di lavoro attorno a quello strumento.
Cosa cambia in un percorso di formazione ben progettato
Un training efficace su questo tema lavora su tre livelli concreti. Primo: mappare dove nel processo aziendale l’output AI si accumula senza essere validato, che sia codice, contenuti o analisi dati. Secondo: assegnare responsabilità chiare su chi controlla, chi approva e chi pubblica, perché l’AI produce bozze, non decisioni finali. Terzo: misurare non quanto output viene generato, ma quanto arriva effettivamente a produzione o al cliente.
Questo terzo punto è quello che spesso manca nei corsi generici di formazione AI, troppo concentrati sul prompt perfetto e poco sul percorso che un output deve fare dopo essere stato generato. Un’azienda che misura solo la velocità di produzione rischia di festeggiare numeri che non si traducono mai in valore reale per il cliente.
Vale la pena ricordare, come segnala anche IEEE Spectrum a proposito dei watermark introdotti da Anthropic e Google sui testi generati, che la tracciabilità dell’output AI sta diventando parte integrante del processo, non un dettaglio tecnico. Sapere cosa è stato generato da un modello e cosa da una persona aiuta proprio a costruire quei passaggi di validazione che oggi mancano in molte organizzazioni.
Le PMI che stanno investendo in formazione AI dovrebbero quindi chiedersi meno “quanto produciamo con l’AI” e più “quanto di ciò che produciamo arriva davvero a destinazione”. È una domanda scomoda, perché costringe a guardare i processi interni, non solo la tecnologia. Ma è anche l’unica domanda che restituisce un quadro onesto del ritorno sull’investimento formativo.
Chi si occupa di formazione dovrebbe portare questa metrica al centro dei percorsi: non ore di corso erogate, non licenze attivate, ma output effettivamente utilizzato a valle. È un cambio di prospettiva piccolo sulla carta, decisivo nella pratica quotidiana delle aziende che vogliono davvero trarre valore dall’intelligenza artificiale, senza restare intrappolate nell’illusione della produttività.
Formazione AI: perché il team deve usare, non solo produrre
