AI fluency: lavorare con l’AI e non per l’AI.

Cos’è l’AI fluency?

Con AI fluency si indica la capacità di lavorare con i sistemi di intelligenza artificiale in modo efficace, efficiente, etico e sicuro. La definizione viene dal framework che Rick Dakan (Ringling College of Art and Design) e Joseph Feller (University College Cork) hanno sviluppato tra il 2023 e il 2024. Da quel lavoro è nato un corso aperto, realizzato con Anthropic e sostenuto in parte dalla Higher Education Authority irlandese. I materiali sono pubblicati con licenza Creative Commons BY-NC-SA 4.0.

Il framework descrive quattro competenze collegate tra loro, chiamate le 4D: Delegation, Description, Discernment e Diligence. Distingue inoltre tre modi di interagire con l’AI. Nell’automazione l’AI esegue un compito preciso su istruzione di una persona. Nell’augmentation persona e AI ragionano insieme, con un confronto a più passaggi. Nell’agency la persona configura l’AI perché svolga in autonomia compiti futuri per suo conto, anche interagendo con altre persone o sistemi.

Gli autori lo hanno pensato per l’università e la formazione professionale, e lo presentano come valido qualunque modello o strumento arrivi in futuro. In questa pagina lo applichiamo al lavoro di una PMI: le definizioni sono quelle del framework, gli esempi e i criteri pratici sono nostri. È un quadro concettuale per la formazione. Non è uno standard tecnico né una certificazione, e nessuna norma ne impone l’adozione.

Che cosa vuol dire lavorare per l’AI?

Viste dall’esterno, un’azienda che lavora con l’AI e una che lavora per l’AI si somigliano: in entrambe le persone usano strumenti di AI ogni giorno. Cambia chi decide come si lavora.

Si lavora per l’AI quando è lo strumento a dettare il ritmo. Il primo segnale è la rincorsa alle novità: ogni mese si prova un servizio diverso, si aprono account, si guardano demo, e nessuna attività arriva mai a regime. Il secondo è la correzione senza metodo. L’AI produce una bozza sbagliata, qualcuno la sistema a mano, e la volta dopo lo stesso errore si ripete perché nessuno ha capito da dove veniva. Il tempo guadagnato nella scrittura si perde nella revisione, e se nessuno lo misura il saldo resta sconosciuto.

Il terzo segnale è più difficile da vedere: il lavoro si adatta a quello che lo strumento sa fare. Si semplificano i preventivi perché l’AI li impagina meglio, oppure si toglie un controllo perché rallenta il flusso. Ogni scelta presa da sola sembra ragionevole, ma nel tempo il processo cambia senza che nessuno l’abbia deciso.

Lavorare con l’AI significa partire dal proprio processo, decidere quale parte affidare allo strumento, descrivere bene il compito, controllare il risultato e rispondere di quello che esce dall’azienda. Le quattro competenze del framework seguono questi passaggi.

Delegation: cosa affidare all’AI e cosa tenere?

Nel framework la Delegation consiste nel fissare gli obiettivi e decidere se, quando e come coinvolgere l’AI. Comprende la consapevolezza del problema, cioè capire bene obiettivi e natura del lavoro prima di usare l’AI, la conoscenza di capacità e limiti dei diversi sistemi e la distribuzione dei compiti tra persone e AI secondo i punti di forza di ciascuno.

In una PMI la domanda pratica è quale parte di un’attività convenga affidare allo strumento. Aiutano quattro criteri. La frequenza: un compito che si ripete ogni giorno ripaga lo sforzo di impostarlo bene, uno che capita due volte l’anno di solito no. La verificabilità: una bozza di email si rilegge in un minuto, un calcolo di costi su cento righe va rifatto per essere controllato. Il costo dell’errore, che è molto diverso tra un riassunto interno e una scheda allergeni destinata al cliente. Infine i dati: se il compito richiede informazioni personali o riservate, lo strumento deve essere autorizzato a trattarle.

Di norma restano alle persone le decisioni che impegnano l’azienda verso clienti, fornitori o dipendenti, le valutazioni sulle persone e tutto ciò che nessuno in azienda è in grado di verificare. Delegare bene vuol dire spesso spezzare un’attività in parti. L’AI può leggere un ordine arrivato per email e proporre le righe da inserire nel gestionale, mentre la conferma resta a chi conosce il cliente e il magazzino.

Description: come si descrive bene un compito all’AI?

La Description è la capacità di descrivere gli obiettivi in modo da ottenere dall’AI risultati e comportamenti utili. Il framework distingue la descrizione del prodotto atteso (formato, destinatario, stile), quella del processo con cui l’AI deve arrivarci, ad esempio istruzioni passo per passo, e quella del comportamento da tenere durante la collaborazione, più sintetico o più dettagliato, più critico o più accomodante.

Per verificare una richiesta basta chiedersi se sarebbe sufficiente a un collega appena assunto, competente ma senza memoria dell’azienda. Di solito mancano il contesto (chi è il cliente, cosa è già successo), lo scopo (a cosa serve il testo e chi lo leggerà), i vincoli (lunghezza, tono, cose da non promettere) e un esempio di risultato buono. Conviene anche dire cosa fare quando un’informazione manca: chiedere, lasciare il campo vuoto, segnalarlo. Senza questa indicazione molti modelli riempiono il vuoto con qualcosa di plausibile.

Le richieste che funzionano vanno salvate e condivise, per esempio un modello per le risposte ai reclami e uno per le schede prodotto. In un team piccolo questa raccolta porta nel lavoro quotidiano scelte già fatte e verificate, e riduce la distanza tra chi usa l’AI da tempo e chi ha appena cominciato.

Discernment: come si valuta il risultato?

Il Discernment è la capacità di valutare con accuratezza l’utilità dei risultati e dei comportamenti dell’AI. Il framework distingue tre oggetti di valutazione: il prodotto (accuratezza, pertinenza, coerenza, adeguatezza), il processo con cui l’AI è arrivata al risultato, dove si cercano errori logici o passaggi saltati, e il modo in cui l’AI si comporta durante l’interazione.

Il punto di partenza è sapere che i modelli linguistici producono allucinazioni, cioè affermazioni sicure e plausibili che però sono false. In azienda gli errori più costosi riguardano nomi, numeri, date, riferimenti normativi, condizioni contrattuali e citazioni di documenti. Questi elementi si controllano sulla fonte originale. Un testo scorrevole e ben impaginato non è per questo più affidabile.

Il framework descrive anche il ciclo tra Description e Discernment: si valuta il risultato, si capisce cosa non va, si corregge la richiesta e si riprova. In questo passaggio si vede in pratica se si lavora con l’AI o per l’AI. Davanti a una bozza sbagliata la domanda utile è perché: mancava un’informazione, la richiesta era ambigua, oppure il compito non era adatto allo strumento. Correggere a mano il testo risolve il caso singolo. Correggere la richiesta, o il documento da cui l’AI ha preso l’informazione, evita che l’errore si ripeta. Un breve registro degli errori ricorrenti aiuta a capire quale delle due strade prendere.

Diligence: chi risponde di quello che produce l’AI?

La Diligence riguarda la responsabilità per ciò che si fa con l’AI e per il modo in cui lo si fa. Il framework la divide in tre aspetti. Il primo è la scelta ponderata dei sistemi da usare e del modo di interagire con essi. Il secondo è l’onestà sul ruolo dell’AI nel proprio lavoro verso chiunque abbia bisogno di saperlo. Il terzo è l’impegno a verificare i risultati che si usano o si condividono e a farsene garanti. Gli autori osservano che le aspettative su trasparenza e verifica cambiano tra contesto personale, accademico e professionale.

In una PMI questo significa usare gli strumenti ammessi dall’azienda, con account aziendali, senza inserire i dati che le regole interne escludono. Significa dire al collega o al cliente quando un testo, un’analisi o una traduzione sono stati preparati con l’AI, se questo cambia il modo in cui verranno letti o usati. Per i professionisti la legge 132/2025 (art. 13) è più precisa: possono usare l’AI solo per attività di supporto, comunicando al cliente quali sistemi usano. E chi invia un documento ne risponde come se lo avesse scritto da solo, qualunque sia stato il contributo dell’AI.

Tra le quattro, la Diligence è la competenza che dipende di più dall’organizzazione. Una persona può essere scrupolosa quanto vuole, ma se l’azienda non ha deciso quali strumenti sono ammessi e quali dati restano fuori, ognuno applica il proprio criterio. Per questo conviene accompagnarla con un regolamento interno sull’uso dell’AI, breve e scritto.

Che rapporto c’è con l’alfabetizzazione AI richiesta dall’AI Act?

Dopo le modifiche del Reg. (UE) 2026/1744, in vigore dal 27 luglio 2026, l’art. 4 dell’AI Act chiede a fornitori e deployer di adottare misure per sostenere lo sviluppo dell’alfabetizzazione AI del personale e di chi usa i sistemi per loro conto. Una PMI che usa strumenti di intelligenza artificiale è, per l’AI Act, un deployer. Secondo le FAQ della Commissione non servono corsi obbligatori, certificati o una figura dedicata: conta che le persone sappiano usare gli strumenti in modo consapevole rispetto al loro ruolo. È utile tenere traccia delle iniziative svolte, come formazione, istruzioni e policy d’uso.

La norma non indica un metodo e non cita le 4D. Il framework dell’AI fluency è uno dei modi possibili per dare contenuto all’obbligo, e ha il vantaggio di parlare di comportamenti osservabili: cosa si delega, come si chiede, come si controlla, chi risponde. Un’autovalutazione del team per competenza, insieme alle regole interne e alla formazione svolta, costituisce anche una traccia scritta delle misure adottate.

Secondo l’ISTAT, tra le imprese che hanno valutato l’AI senza adottarla il 58,6% indica come freno la mancanza di competenze, il più citato. La formazione serve quindi anche a togliere l’ostacolo che le imprese stesse indicano per primo.

Come si sviluppa l’AI fluency in un piccolo team?

Si comincia capendo a che punto è il team. Un’autovalutazione su ciascuna delle quattro competenze, fatta da ogni persona sulle attività che svolge davvero, mostra dove intervenire. Può emergere chi scrive richieste accurate ma non controlla i risultati, chi controlla tutto ma non sa cosa delegare, chi usa strumenti personali perché nessuno ha detto quali sono ammessi.

La formazione utile parte dalle attività reali del team e usa esempi presi dal lavoro, errori compresi. Una sessione su come rispondere ai reclami con l’AI tocca Delegation, Description e Discernment nello stesso momento e rende le competenze concrete. Si formano per primi quelli che useranno l’AI su un’attività precisa, poi gli altri. Anche chi non usa l’AI nel proprio lavoro ha bisogno delle regole di base: quali strumenti sono ammessi, quali dati non vanno inseriti, a chi segnalare un problema.

L’approccio ha dei limiti. L’autovalutazione misura la percezione delle persone, che può essere ottimista, e va affiancata da qualche verifica su casi reali, ad esempio rivedendo insieme alcune richieste e i risultati ottenuti. Le competenze poi invecchiano con gli strumenti: quando cambiano strumenti, regole o attività affidate all’AI, autovalutazione e formazione vanno ripetute. Infine l’AI fluency non dice se l’AI fa risparmiare tempo su un’attività. Per saperlo serve una prova sul campo con criteri decisi prima di cominciare.