Entro il 2027, l'AI generativa amplierà il 30% dei task dei knowledge worker, partendo da zero nel 2023. I numeri parlano chiaro, ma la maggior parte delle organizzazioni non sta facendo abbastanza per prepararsi. Secondo la ricerca Gartner del marzo 2025, solo il 18% dei lavoratori ritiene che la propria azienda supporti in modo concreto l'integrazione della GenAI nel lavoro quotidiano. E appena il 12% ha usato strumenti AI per ridurre significativamente il carico su attività critiche.
Il problema non è la tecnologia: è la formazione. Gartner ha identificato quattro competenze specifiche che i lavoratori devono sviluppare per usare la GenAI in modo produttivo. Non sono skill teoriche, sono capacità operative che si costruiscono con la pratica e si perdono rapidamente senza di essa.
Il nodo della curva dell'oblio
Prima di entrare nelle quattro competenze, vale la pena capire perché la formazione tradizionale non funziona per la GenAI. Il problema si chiama forgetting curve, un fenomeno documentato da Hermann Ebbinghaus nel 1885: il 50% delle nuove conoscenze viene dimenticato entro un'ora dall'apprendimento, il 70% entro 24 ore, il 90% entro una settimana.
Per la GenAI questo è un ostacolo concreto. Un workshop di due giorni, seguito da settimane senza applicazione pratica, non produce risultati. La ricerca Gartner lo conferma con i dati: solo il 29% dei lavoratori usa strumenti AI quotidianamente. Chi li usa ogni giorno ha 3,4 volte più probabilità di dichiarare un aumento significativo della propria produttività rispetto a chi li usa una volta a settimana.
La soluzione proposta è la struttura 70/20/10: il 70% del tempo di apprendimento deve essere dedicato alla pratica diretta, il 20% all'apprendimento sociale attraverso community e peer review, solo il 10% alla formazione strutturata classica. Il modello sintetico è quello del "see one, do one, teach one": prima osservi, poi fai, poi insegni agli altri.
Skill 1: identificare i casi d'uso
La prima competenza riguarda la capacità di riconoscere dove la GenAI può creare valore concreto. Non si tratta di conoscere tutte le funzionalità disponibili, ma di saper leggere i processi lavorativi e capire dove l'AI può risolvere un problema, risparmiare tempo o migliorare la qualità di un output.
Gartner usa l'espressione "opportunity spotters" per descrivere i lavoratori che sviluppano questa capacità a livello avanzato: persone che diventano un vantaggio competitivo per l'organizzazione perché individuano applicazioni dell'AI che altri non vedono. Il caso citato è quello di Vizient, azienda sanitaria americana, dove Chuck DeVries, SVP e technology officer, ha osservato che i casi d'uso significativi emergono quasi sempre da dove non ci si aspetta.
Quando la GenAI viene adottata senza casi d'uso chiari, i lavoratori faticano a capire come integrarla nel proprio flusso di lavoro. Il risultato è un utilizzo sporadico, superficiale, che non produce risultati misurabili.
Skill 2: tech fluency
La seconda competenza è la comprensione dei meccanismi di base della GenAI: come funzionano i modelli linguistici, quali sono le loro capacità e i loro limiti, come i dati di addestramento influenzano i risultati, quali sono le implicazioni etiche dell'uso.
Tech fluency non significa saper programmare o gestire infrastrutture. Significa capire quando usare un modello rispetto a un altro, saper valutare se uno strumento AI è adatto a un compito specifico, conoscere le considerazioni etiche che entrano in gioco quando si lavora con dati aziendali.
Gartner sottolinea che le capacità della GenAI sono una "jagged frontier": quello che sa e non sa fare cambia continuamente. I modelli linguistici di prima generazione non riuscivano a fare calcoli elementari, mentre oggi gestiscono matematica avanzata. Allo stesso tempo, continuano a sbagliare su task apparentemente semplici. Questa frontiera irregolare richiede un aggiornamento costante delle proprie conoscenze.
Skill 3: prompt engineering
La terza competenza è la più operativa: saper scrivere istruzioni efficaci per ottenere dall'AI i risultati desiderati. Prompt engineering non è un termine riservato agli sviluppatori; è una skill trasversale che riguarda tutti coloro che usano strumenti di GenAI nel lavoro quotidiano.
L'errore più comune tra chi inizia a usare la GenAI è trattare il prompt come una ricerca su Google o come una domanda informale. La GenAI non completa le lacune di un'istruzione vaga come farebbe un collega con esperienza del contesto. Deve ricevere istruzioni chiare su cosa fare, come farlo e con quali vincoli.
L'altro errore frequente è considerare l'interazione con l'AI come un singolo scambio, invece di una conversazione iterativa. I risultati migliori si ottengono raffinando progressivamente le istruzioni, aggiungendo contesto, correggendo la direzione sulla base degli output intermedi. Un utente esperto sa costruire una conversazione multi-turno che porta il modello a produrre esattamente quello di cui ha bisogno.
Skill 4: valutare i risultati
La quarta competenza è quella più sottovalutata: la capacità di giudicare se un output generato dall'AI è accurato, utile, privo di bias e coerente con gli obiettivi dell'organizzazione. Gartner la chiama output discernment.
Non basta verificare che l'output sia formalmente corretto. Un testo ben scritto può contenere informazioni imprecise, ragionamenti circolari o prospettive parziali che derivano dai bias presenti nei dati di addestramento. La skill di discernimento richiede di valutare le fonti, capire i possibili punti di fallimento del modello e saper iterare i prompt per ottenere risultati migliori.
Gartner avverte anche del rischio opposto: limitarsi a usare il giudizio umano solo come validazione dell'output AI restringe il valore della collaborazione uomo-macchina. Il modello più efficace è quello bidirezionale, in cui l'AI informa l'analisi umana e il giudizio umano orienta l'uso dell'AI.
Come costruire un programma di sviluppo che funziona
Per ciascuna delle quattro skill, Gartner propone una progressione da principiante a esperto, con attività di apprendimento concrete per ogni livello. Chi inizia da zero può partire da esercizi guidati come generare un documento, creare didascalie per un set di immagini o fare sentiment analysis su recensioni. I livelli intermedi includono hackathon interni e sessioni di peer review. Chi ha già esperienza avanzata può lavorare alla costruzione di agenti AI o custom GPT su piattaforme cloud.
Il principio che guida tutto è la riduzione del tempo tra apprendimento e applicazione. Nei workshop tradizionali, settimane o mesi separano la formazione dall'uso pratico. Per le skill GenAI, questo intervallo deve ridursi a minuti: si impara qualcosa di nuovo e lo si applica subito, nello stesso contesto lavorativo.
Entro il 2027, più della metà delle organizzazioni finanzierà programmi strutturati di AI literacy, spinta dalla difficoltà di realizzare il valore atteso dagli investimenti in GenAI. Chi costruisce queste competenze adesso, prima che diventino un requisito diffuso, avrà un vantaggio significativo nel reclutamento, nella produttività e nella capacità di innovare.
