Approfondimenti

Alfabetizzazione AI e AI Act: competenze per gli agenti AI

Scritto da Il team di Rhei | 27/10/26, 11:05

L'AI Act chiede alle aziende di sostenere l'alfabetizzazione AI del personale. Con modelli sempre più intercambiabili il vantaggio sta nel know-how dell'impresa, che arriva agli agenti AI solo attraverso persone che conoscono il processo e i limiti dell'AI.

Cosa chiede l'AI Act sull'alfabetizzazione AI dopo il Digital Omnibus

Dal 2 febbraio 2025 l'articolo 4 dell'AI Act chiede a fornitori e utilizzatori di sistemi AI di occuparsi delle competenze di chi li usa. Il Regolamento (UE) 2026/1744, il Digital Omnibus sull'AI pubblicato in Gazzetta ufficiale il 24 luglio 2026, ha riscritto la norma. Il Parlamento europeo ha respinto la proposta della Commissione di eliminare l'obbligo per le imprese.

Il nuovo testo chiede di adottare misure per sostenere lo sviluppo dell'alfabetizzazione AI del personale, tenendo conto di conoscenze tecniche, esperienza, formazione e contesto d'uso. Precisa anche che nessuno è tenuto a garantire un livello specifico per ogni persona: è un obbligo di mezzi, che si dimostra con le misure adottate. Un corso generico sui prompt serve a poco a chi deve supervisionare un agente AI che approva crediti o instrada ordini.

Il vantaggio competitivo è nel know-how dell'impresa

Al World Manufacturing Forum François Bohuon, managing director di Palantir per Francia ed EMEA, ha sostenuto che i modelli linguistici stanno diventando intercambiabili. Il vantaggio, secondo Bohuon, sta in ciò che i modelli non possiedono: processi, regole decisionali, competenze ed esperienza accumulata. Nella sua scala di maturità dell'AI industriale il salto arriva quando l'AI incorpora la conoscenza tacita degli operatori, ricavata dalle azioni reali, e lavora sotto supervisione umana.

Il know-how scritto nelle comunicazioni di un'azienda ha già un prezzo di mercato. Dopo la chiusura di Spirit Airlines, ad agosto Google si è aggiudicata all'asta per 10 milioni di dollari circa 100 milioni di email e 500 milioni di messaggi Teams della compagnia, per migliorare i propri prodotti e modelli AI.

Il know-how passa agli agenti AI solo attraverso le persone che lo possiedono, a patto che sappiano tradurlo in regole, criteri ed eccezioni che un sistema può usare. Per farlo servono la conoscenza del processo e la comprensione di come lavora l'AI.

Perché la formazione sugli strumenti non basta

Nel 2023 Harvard Business School e Boston Consulting Group hanno misurato il lavoro di 758 consulenti su 18 compiti realistici. Nei compiti alla portata dell'AI chi la usava completava il 12,2% di compiti in più, il 25,1% più rapidamente e con una qualità superiore di oltre il 40%. In un compito scelto apposta fuori da quel perimetro, chi usava l'AI aveva 19 punti percentuali di probabilità in meno di arrivare alla soluzione corretta. Il confine tra ciò che l'AI fa bene e ciò che sbaglia con sicurezza non si vede dall'esterno.

Uno studio di Microsoft Research presentato a CHI 2025 su 319 lavoratori della conoscenza indica chi riesce a vederlo. Più fiducia nell'AI si associa a meno pensiero critico, mentre più fiducia nella propria competenza sul compito si associa a più pensiero critico. Il confine lo riconosce chi conosce il processo e le sue eccezioni.

Il profilo da costruire: competenza di dominio e alfabetizzazione AI

La competenza di dominio fa capire le dinamiche reali e i bisogni del cliente; l'alfabetizzazione AI fa capire come ragionano gli agenti, quali limiti tecnici hanno e come si comportano i modelli linguistici (LLM). Chi le possiede entrambe sa:

  • Quando delegare all'AI. I compiti dentro la frontiera, con regole chiare e risultati verificabili, possono passare all'agente.
  • Quando intervenire direttamente. Eccezioni, casi ambigui e decisioni con conseguenze contrattuali o sul rapporto con il cliente restano a una persona che conosce il contesto.
  • Quando fare un passo indietro. Dove i dati dimostrano che l'agente è affidabile, la persona lascia che sia il sistema a proporre la soluzione e si limita a verificarla.
  • Come non dipendere da un solo strumento. La capacità di svolgere il lavoro resta anche quando il modello cambia o non è disponibile.

Secondo uno studio pubblicato nel 2025 su The Lancet Gastroenterology & Hepatology, dopo l'introduzione dell'AI in quattro centri polacchi il tasso di rilevamento degli adenomi negli esami eseguiti senza AI è sceso dal 28,4% al 22,4%. Lo studio è osservazionale e non prova un rapporto di causa; il rischio che segnala riguarda però qualunque processo. Controlli a campione svolti senza AI e rotazione dei ruoli di supervisione tengono allenata la competenza.

Come sviluppare l'alfabetizzazione AI nei processi aziendali

Per chi deve decidere come introdurre gli agenti AI in azienda, quattro scelte rendono l'alfabetizzazione AI utile:

  • Partire dai processi. Per ogni processo con agenti AI si indica quali compiti stanno dentro la frontiera e quali richiedono il giudizio di una persona.
  • Rendere esplicito il know-how. Regole, criteri ed eccezioni che oggi vivono nell'esperienza delle persone entrano nei dati che alimentano gli agenti AI, nel CRM e nelle integrazioni, e restano sotto il controllo dell'azienda.
  • Progettare la supervisione umana. Con il modello human-in-the-loop (HITL), cioè la supervisione umana sulle decisioni dell'agente, il team valida i risultati e l'autonomia cresce quando i dati dimostrano che l'agente è affidabile.
  • Documentare le misure. Piani di formazione, ruoli e criteri di supervisione sono anche l'evidenza delle misure richieste dall'articolo 4.

Conclusione

I modelli diventano intercambiabili e il know-how resta un vantaggio dell'azienda finché le persone che lo possiedono sanno trasferirlo agli agenti AI e supervisionarli. In Rhei attiviamo l'Automazione Intelligente con agenti AI che partono sotto supervisione umana completa: il team valida le decisioni e impara dove l'agente può lavorare da solo.

Sapete quali passaggi dei vostri processi richiedono ancora il giudizio di chi conosce il dominio? Partite da Mappa della Complessità: una fotografia di processi, dati ed eccezioni su cui costruire competenze e supervisione degli agenti AI.


Fonti

Spunto:

Fonti ufficiali verificate:
Visualizza articolo completo