L’intelligenza artificiale permette ai dipendenti di affrontare più attività in autonomia, ma la verifica dei risultati resta discontinua: soltanto il 24% dei lavoratori intervistati dichiara di controllare a fondo i contenuti generati. È uno dei risultati della ricerca 2026 dell’Osservatorio Smart Working del Politecnico di Milano, presentata al convegno «Oltre lo Smart Working: tra nuove certezze e sfide emergenti». L’indagine esamina come gli strumenti generativi modificano collaborazione, assegnazione dei compiti e responsabilità dei manager.
Indice degli argomenti
Come cambia il confronto fra colleghi
Giacomo Carmelo Spiccia, ricercatore dell’Osservatorio, presenta i risultati dell’indagine realizzata con Ipsos Doxa sulle modalità di collaborazione e gestione delle persone.
«Il 23% dichiara una minore necessità di allineamento sincrono con i colleghi grazie all’AI, mentre il 12% dichiara al contrario un maggiore bisogno di confronto sincrono», spiega Spiccia.
Una parte degli intervistati avverte quindi meno bisogno di confrontarsi in tempo reale, attraverso riunioni o chiamate; un’altra segnala l’esigenza opposta.
Quando l’AI viene considerata un’alternativa al gruppo
Un secondo risultato riguarda il rapporto tra lavoro autonomo e collaborazione. Secondo la rilevazione, il 35% dei lavoratori considera possibile ottenere risultati di qualità pari o superiore a quelli prodotti dal lavoro di gruppo utilizzando individualmente gli strumenti di AI.
La percentuale descrive la fiducia dei lavoratori negli strumenti, senza misurare direttamente la qualità delle prestazioni individuali rispetto a quelle di gruppo.
Spiccia richiama il rischio di isolamento: «Una minore collaborazione può essere positiva se efficienta un carico eccessivo di riunioni inutili, ma diventa negativa se porta ad un eccessivo isolamento».
Compiti più complessi e nuove deleghe
Secondo l’Osservatorio, sette responsabili su dieci dichiarano di aver cambiato il modo in cui assegnano le attività ai collaboratori. In particolare, il 24% assegna compiti più ampi e complessi oppure delega attività che precedentemente avrebbe mantenuto sotto il proprio controllo.
Tra i benefici percepiti figurano il miglioramento della qualità complessiva del lavoro, una maggiore capacità di coordinamento e la crescita dell’autonomia delle persone.
Per Lucia Borini, Head of Group Academy di Reale Mutua Assicurazioni, «il fatto che i manager assegnino compiti più complessi segna la possibile fine del micromanagement, liberando le persone dai micro-task automatizzabili dall’AI».
Delegare attività più complesse richiede però che i collaboratori sappiano valutare anche i risultati prodotti con l’AI.
Verificare le risposte e proteggere le informazioni
Il 39% degli intervistati dichiara difficoltà nel valutare se le risposte siano affidabili, pertinenti o influenzate da distorsioni. Il 29% è incerto su quali informazioni possa inserire negli strumenti AI.
Il 24% verifica a fondo i contenuti generati, il 38% esegue controlli rapidi e il 29% si concentra soprattutto sugli aspetti formali. Il 9% accetta le risposte senza verificarle.
La questione coinvolge direttamente i responsabili dei team. Il 24% dei manager segnala il tempo richiesto per verificare e correggere i contenuti prodotti dai collaboratori, mentre il 22% individua un rischio nella riduzione del senso critico e nella deresponsabilizzazione delle persone.
Gli smart worker verificano più spesso i risultati dell’AI
Fra gli smart worker intervistati, le verifiche approfondite risultano più frequenti.
La quota raggiunge il 32%; nel sottogruppo esaminato, nessuno dichiara di accettare i contenuti senza controlli.
«L’abitudine all’autonomia e alla responsabilizzazione tipica del lavoro agile aiuta a sviluppare il senso critico necessario per un uso consapevole e maturo dell’intelligenza artificiale», osserva Spiccia.
Vincenzo Summo, Head of Talent Italy & Malta di Nestlé, richiama il «patto di fiducia» alla base sia del lavoro agile sia dell’utilizzo dell’AI.
Secondo Summo, in entrambi i casi il manager deve valutare il risultato di un’attività senza poter osservare direttamente tutti i passaggi che hanno portato alla sua realizzazione. Resta quindi centrale il principio per cui «si può delegare un’attività alla macchina, ma mai la responsabilità del risultato finale».
Come si organizzano INAIL, Reale Mutua e Nestlé
Le tre organizzazioni descrivono interventi sulla trasmissione delle conoscenze, sulla formazione e sull’uso degli strumenti.
INAIL: l’AI per preservare e trasferire il patrimonio di conoscenze
Carlo Biasco, Direttore Centrale Risorse Umane di INAIL, collega l’introduzione dell’AI alle sfide demografiche che interessano la Pubblica Amministrazione.
Il pensionamento dei dipendenti più esperti comporta infatti il rischio di perdere conoscenze organizzative e competenze sviluppate nel corso degli anni.
«L’AI può agire come un vero e proprio mentor digitale per i neoassunti, rendendo fruibili le conoscenze aziendali sedimentate», spiega Biasco.
Reale Mutua: strumenti e formazione condivisa
Reale Group ha avviato il proprio percorso di sperimentazione dell’AI nel 2023, affiancando all’introduzione degli strumenti un programma strutturato di accompagnamento.
Il percorso comprende formazione continua, condivisione delle istruzioni utilizzate con l’AI e un gruppo interdisciplinare con competenze informatiche, di sicurezza, organizzazione, formazione e comunicazione.
Come illustrato da Lucia Borini, l’azienda ha distribuito la versione standard di Microsoft Copilot all’intera popolazione aziendale e la versione Pro a circa metà dei dipendenti.
«Abbiamo scelto di accompagnare la sperimentazione evitando l’uso ‘fai-da-te’ non regolamentato», ha spiegato Borini, richiamando la particolare sensibilità dei dati trattati nel settore assicurativo.
Le indagini interne citate durante il convegno indicano curiosità, entusiasmo e ispirazione tra le emozioni prevalenti dei dipendenti nei confronti dell’AI.
Nestlé: responsabilizzazione e riprogettazione dei processi
L’approccio di Nestlé si sviluppa attraverso policy chiare, formazione trasversale, sperimentazione e coinvolgimento delle persone.
Summo sottolinea l’importanza di senso critico, curiosità e proattività. Richiama anche la necessità di rivedere la formazione dei profili junior, quando l’AI automatizza attività attraverso cui i neoassunti acquisivano esperienza.
L’azienda ha inoltre promosso la familiarizzazione con l’AI mettendo a disposizione dei dipendenti strumenti utilizzabili anche per finalità personali. Un ulteriore ambito di lavoro riguarda la revisione dei processi, per individuare le attività da eliminare, trasformare o affidare ad agenti intelligenti.
Carriere più lunghe e collaborazione fra generazioni
Il trasferimento delle conoscenze e la formazione dei più giovani si inseriscono in un cambiamento più ampio: carriere più lunghe e gruppi in cui collaborano persone di generazioni differenti. La ricerca affronta anche le condizioni necessarie a gestire questa convivenza professionale.
Fiorella Crespi, Direttrice dell’Osservatorio Smart Working, richiama i dati dell’Osservatorio HR Innovation Practice: soltanto il 20% delle grandi imprese ha già avviato interventi per gestire l’allungamento delle carriere, mentre un ulteriore 11% prevede di affrontarla in futuro.
La gestione dei team multigenerazionali presenta difficoltà diffuse. «Solo il 14% dei manager dichiara di non incontrare difficoltà nella gestione di team multigenerazionali», riferisce Crespi.
Tra gli aspetti più complessi figurano il senso di appartenenza, la comunicazione tra generazioni e la conciliazione delle differenti esigenze di flessibilità, segnalata dal 29% dei manager.
Reale Mutua ha affrontato il tema attraverso iniziative dedicate alla condivisione delle competenze. Dal 2023 promuove il progetto Tandem Generazionale, basato su percorsi semestrali di affiancamento tra colleghi senior e junior, e Generazioni Connesse, dedicato all’AI.
Nel secondo progetto i lavoratori più giovani contribuiscono con competenze tecnologiche, mentre i colleghi senior mettono a disposizione esperienza, visione sistemica e capacità critica.
Ridurre il carico fisico nelle mansioni operative
Nelle mansioni della manifattura, della logistica e dei servizi sul campo, l’allungamento delle carriere pone anche il problema del carico fisico e dell’esposizione ai rischi. In questi ruoli la flessibilità deve riguardare anche le condizioni concrete di svolgimento del lavoro.
L’Osservatorio ha individuato diverse soluzioni tecnologiche per ridurre i rischi e migliorare le condizioni operative: sensori e droni per il monitoraggio degli ambienti pericolosi, esoscheletri per alleggerire il carico fisico e strumenti di realtà aumentata o virtuale per formazione e assistenza tecnica.
Biasco ha evidenziato l’interesse di INAIL verso queste tecnologie per la prevenzione degli infortuni, soprattutto nelle mansioni più gravose svolte da lavoratori senior.
Per il personale amministrativo, invece, l’ente sta ampliando il ricorso allo Smart Working, considerando anche l’impatto degli spostamenti quotidiani sul benessere delle persone.
La gestione del tempo risparmiato riguarda tutte le fasce d’età. Summo invita le organizzazioni a «non riempire il tempo risparmiato con l’AI aumentandone l’intensità lavorativa, ma redistribuire l’efficienza ottenuta in maggiore flessibilità e qualità della vita».
Che cos’è l’intelligenza artificiale?
L’intelligenza artificiale è la disciplina che studia la progettazione, lo sviluppo e la realizzazione di sistemi hardware e software dotati di capacità caratteristiche dell’uomo, come ragionamento, apprendimento, pianificazione e adattamento. Si tratta di un ramo della computer science che studia lo sviluppo di sistemi in grado di emulare le capacità cognitive umane, permettendo alle macchine di apprendere dall’esperienza, adattarsi a nuovi input e svolgere compiti che tradizionalmente richiedono l’intelligenza umana. L’AI non ha una definizione univoca e condivisa, poiché comprende un ampio spettro di discipline, dalla neurologia all’informatica, dalla neurobiologia alla matematica.
Quali sono le principali tecniche di apprendimento nell’intelligenza artificiale?
Le principali tecniche di apprendimento nell’intelligenza artificiale si suddividono in tre approcci fondamentali: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento per rinforzo. Nell’apprendimento supervisionato, l’algoritmo viene addestrato su un dataset etichettato per prevedere output corretti. L’apprendimento non supervisionato lavora su dati non etichettati per scoprire pattern o strutture intrinseche. L’apprendimento per rinforzo permette a un agente di imparare a prendere decisioni interagendo con un ambiente e ricevendo feedback sotto forma di ricompense o penalità. A questi si aggiunge il deep learning, una sottocategoria del machine learning che utilizza reti neurali artificiali con molti strati per modellare ed estrarre caratteristiche complesse dai dati.
Come è nata e si è evoluta l’intelligenza artificiale nel corso della storia?
L’intelligenza artificiale ha radici che risalgono al XVII secolo, quando furono costruite le prime macchine in grado di effettuare calcoli automatici da Blaise Pascal e Gottfried Wilhelm von Leibniz. Tuttavia, è nel 1943 che la gestazione dell’AI si avvicina al termine con il lavoro del neurofisiologo Warren Sturgis McCulloch e del matematico Walter Harry Pitts, che teorizzarono come semplici neuroni potessero essere combinati per calcolare operazioni logiche elementari. La locuzione “intelligenza artificiale” venne utilizzata per la prima volta nel 1955 dai matematici e informatici John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, in preparazione della conferenza di Dartmouth del 1956, considerata la vera “sala parto” dell’intelligenza artificiale. Dopo un periodo di grandi aspettative (1950-1965), l’AI attraversò una fase di difficoltà negli anni ’60, per poi rinascere negli anni ’80 grazie agli studi di Jay McClelland e David Rumelhart sul connessionismo e le reti neurali. Oggi, l’evoluzione delle nanotecnologie e lo sviluppo di algoritmi sempre più sofisticati hanno portato a una nuova generazione di AI capace di apprendimento autonomo e analisi complesse.
Qual è la differenza tra intelligenza artificiale debole e intelligenza artificiale forte?
La differenza tra intelligenza artificiale debole (weak AI) e forte (strong AI) rappresenta una distinzione fondamentale nel campo dell’AI. L’intelligenza artificiale debole agisce e pensa simulando di essere intelligente, ma non lo è realmente. Essa risponde a problemi sulla base di regole conosciute, confrontando casi simili ed elaborando soluzioni razionali senza una vera comprensione. Si occupa essenzialmente di problem solving, simulando il comportamento umano senza comprendere totalmente i processi cognitivi. L’intelligenza artificiale forte, invece, possiede capacità cognitive non distinguibili da quelle umane. Include i “sistemi esperti” che riproducono prestazioni e conoscenze di persone esperte in un determinato ambito, utilizzando un motore inferenziale che, come la mente umana, passa da una proposizione assunta come vera a una seconda proposizione con logiche deduttive o induttive. La caratteristica distintiva di questi sistemi è l’analisi del linguaggio per comprenderne il significato, elemento essenziale per una vera intelligenza.
Quali sono le applicazioni pratiche dell’intelligenza artificiale nel mondo aziendale?
L’intelligenza artificiale trova numerose applicazioni pratiche nel mondo aziendale, trasformando processi e strategie. Nel settore finanziario, l’AI viene utilizzata per personalizzare tassi di interesse, rilevare frodi e migliorare i servizi finanziari attraverso l’analisi dei dati sulle abitudini di rimborso e altri comportamenti dei clienti. Nel marketing e nelle vendite, le tecnologie cognitive aiutano a ottenere una comprensione a 360 gradi dei clienti, prevedendo le loro esigenze e migliorando la loro esperienza, portando a un migliore ingaggio e strategie più efficaci. Nell’industria manifatturiera, l’AI viene implementata per la manutenzione predittiva, consentendo di prevedere guasti e anomalie prima che si verifichino, riducendo i tempi di inattività e migliorando l’efficienza operativa. Altre applicazioni includono l’automazione di processi, l’ottimizzazione della supply chain, il supporto decisionale basato sui dati e il miglioramento della sicurezza informatica.
Come funziona il machine learning e quale relazione ha con l’intelligenza artificiale?
Il machine learning è un sottogruppo dell’intelligenza artificiale che conferisce alle macchine la capacità di ricevere dati e modificare gli algoritmi man mano che acquisiscono più informazioni su ciò che stanno elaborando. Si tratta di sistemi di apprendimento automatico che permettono alle macchine di adattarsi e migliorarsi senza necessità di riprogrammazione da parte dell’uomo. Il machine learning automatizza la costruzione di modelli analitici, utilizzando reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati e rispondere a nuovi input esterni. Può essere implementato attraverso diversi approcci, come l’apprendimento supervisionato, non supervisionato e per rinforzo. Un esempio classico di machine learning è un sistema di visione artificiale capace di riconoscere oggetti ripresi da una videocamera: l’algoritmo distingue tra animali, persone e cose, memorizzando nuove situazioni che arricchiscono la sua conoscenza. Il machine learning rappresenta il metodo che “allena” l’AI, consentendole di sviluppare capacità sempre più sofisticate di analisi e decisione.
Quali sono le tecnologie hardware che supportano lo sviluppo dell’intelligenza artificiale?
Lo sviluppo dell’intelligenza artificiale è supportato da diverse tecnologie hardware avanzate. Le GPU (Graphic Processing Unit), originariamente create per elaborare informazioni grafiche nei videogiochi, sono diventate fondamentali per l’AI grazie alla loro capacità di eseguire calcoli in parallelo, a differenza delle CPU che lavorano in modo seriale. Le TPU (Tensor Processing Unit), sviluppate da Google, sono circuiti specificamente progettati per operazioni di machine learning ad alto carico di lavoro, in particolare per ridurre il tempo dedicato alla fase inferenziale. Le ReRAM (memorie resistive ad accesso casuale) possono immagazzinare fino a 1 terabyte di dati in chip delle dimensioni di un francobollo, sono non volatili e consumano pochissima energia, rendendole ideali per costruire reti neurali. I computer quantistici rappresentano un’altra frontiera, operando secondo la logica quantistica che consente calcoli esponenzialmente più potenti rispetto ai computer tradizionali. Infine, i chip neuromorfici simulano il funzionamento del cervello umano, utilizzando una logica di funzionamento analogica che si attiva in maniera differente a seconda del gradiente di segnale scambiato tra le unità.
Quali sono i principali rischi e sfide etiche legati all’intelligenza artificiale?
L’intelligenza artificiale presenta numerosi rischi e sfide etiche che devono essere attentamente considerati. Tra questi, la sicurezza informatica è particolarmente critica: l’AI può essere utilizzata per creare attacchi più sofisticati, come il phishing personalizzato o la manipolazione di sistemi di sicurezza, e le stesse tecnologie AI possono essere vulnerabili ad attacchi che compromettono la loro integrità. Un altro rischio significativo è rappresentato dalle allucinazioni, ovvero la generazione di risposte false o imprecise presentate come fatti plausibili, che possono avere conseguenze gravi in settori come la sanità o la finanza. Vi sono poi preoccupazioni riguardo alla privacy dei dati, alla possibilità di bias e discriminazione nei sistemi AI, e all’impatto sull’occupazione. Questioni etiche emergono anche nel contesto delle auto autonome, come evidenziato dall’esperimento “The Moral Machine” che ha esplorato le scelte morali che un’auto a guida autonoma dovrebbe compiere in situazioni di emergenza, rivelando differenze culturali significative nelle preferenze etiche.
Come sta cambiando il ruolo del CIO con l’avvento dell’intelligenza artificiale?
Il ruolo del Chief Information Officer (CIO) sta subendo una profonda trasformazione con l’avvento dell’intelligenza artificiale. I CIO sono passati da gestori di sistemi IT a leader strategici che guidano l’innovazione e la trasformazione digitale all’interno delle loro organizzazioni. Sono ora responsabili di sviluppare strategie per integrare efficacemente l’AI nei processi aziendali, ottimizzando operazioni e riducendo costi attraverso l’automazione e l’analisi dei dati. I CIO devono garantire che i dati aziendali siano gestiti in modo sicuro e conforme alle normative sulla privacy, mentre implementano soluzioni AI che possono aiutare a identificare e mitigare le minacce alla sicurezza informatica. Devono anche pianificare e facilitare la formazione e lo sviluppo delle competenze necessarie per preparare il personale a lavorare con le tecnologie AI. La loro responsabilità si estende alla valutazione e alla scelta delle giuste piattaforme e infrastrutture per supportare soluzioni AI, considerando aspetti come scalabilità, interoperabilità e costi. Il CIO moderno deve gestire il cambiamento organizzativo che l’introduzione dell’AI comporta, affrontando le preoccupazioni dei dipendenti e promuovendo una cultura aziendale orientata all’innovazione.
Qual è la differenza tra intelligenza artificiale e intelligenza umana?
La differenza fondamentale tra intelligenza artificiale e intelligenza umana risiede nella capacità di creare valore in un sistema aperto e infinito. Mentre l’intelligenza artificiale opera in un sistema chiuso di valori già definiti, l’intelligenza umana si confronta con l’esperienza e con l’infinita variabilità del mondo. L’AI utilizza algoritmi basati sulle probabilità che possono intercettare il rapporto causa/effetto senza realmente comprenderlo, trasformando l’informazione in conoscenza attraverso modelli matematici. Al contrario, l’intelligenza umana è in grado di utilizzare l’invenzione e la fantasia per osservare il mondo in modi nuovi e inaspettati, esplorando possibilità che le macchine, con i loro algoritmi predefiniti, non possono concepire. Il linguaggio naturale utilizzato dalle macchine è efficiente nel trattare grandi volumi di dati, ma manca della profondità semantica e della capacità di innovare che caratterizza il linguaggio umano. Mentre l’AI può facilitare e ottimizzare molti aspetti della nostra vita, è l’intelligenza umana che mantiene la chiave dell’innovazione dirompente, capace di vedere oltre l’ovvio e di creare valore in modi che sfidano le convenzioni.
Partecipa alla community