L’AI entra in una fase nella quale può vedersi assegnato un obiettivo, scomporlo in attività, consultare fonti e applicazioni, scegliere una sequenza di azioni e portarla avanti con un grado variabile di autonomia. Per le direzioni IT, il salto è rilevante: quando il software comincia ad agire, la preparazione delle persone deve comprendere anche la qualità delle decisioni, i confini operativi e la gestione delle conseguenze.
Il cambiamento investe sviluppatori, architect, specialisti di cybersecurity, responsabili di prodotto e addetti alle operations. Le capacità tecniche restano centrali, ma si combinano con conoscenza dei processi aziendali, valutazione dei risultati, governo degli accessi e comprensione dei rischi.
L’obiettivo dell’upskilling diventa così più ampio: mettere l’organizzazione IT nelle condizioni di progettare, controllare e migliorare una forza lavoro digitale che opera attraverso dati, API e applicazioni.
Indice degli argomenti
Perché l’AI agentica richiede un modello formativo diverso
Un assistente che propone un testo o una porzione di codice produce un risultato che una persona può esaminare prima di utilizzarlo. Un agente collegato ai sistemi aziendali può invece aggiornare una pratica, interrogare un database, aprire un ticket, inviare una comunicazione o avviare un flusso. Crescono quindi sia l’utilità potenziale sia la superficie sulla quale un errore può propagarsi.
Da qui nasce la necessità di passare dai corsi centrati sullo strumento a percorsi costruiti sul ciclo di vita del lavoro affidato all’AI. Occorre saper formulare obiettivi e vincoli, selezionare dati e fonti, assegnare autorizzazioni, predisporre controlli, misurare le prestazioni e intervenire quando il comportamento devia dalle attese. La padronanza di un’interfaccia conserva valore, ma diventa una componente di un sistema professionale più articolato.
Dalla conoscenza dell’AI alla comprensione del business
La prima capacità da sviluppare riguarda la scelta dei problemi. Un professionista IT deve riconoscere quali attività presentano obiettivi chiari, dati disponibili, esiti misurabili e conseguenze gestibili. Deve inoltre distinguere una procedura che può essere affidata a un agente da un processo nel quale l’ambiguità, la sensibilità delle informazioni o l’impatto delle decisioni richiedono un controllo umano più stretto.
Questa valutazione richiede familiarità con il funzionamento dell’impresa. Chi progetta un flusso agentico deve comprendere passaggi, eccezioni, dipendenze, tempi di attesa e criteri con cui il business giudica il risultato. La competenza distintiva consiste nel tradurre un obiettivo aziendale in istruzioni, strumenti disponibili, regole di escalation e indicatori verificabili. Architettura e design del processo si avvicinano così al product management.
L’alfabetizzazione AI va differenziata per ruolo. Un dirigente deve saper valutare opportunità, costi e responsabilità; un product owner deve definire risultati e soglie di accettazione; uno sviluppatore deve conoscere limiti dei modelli, orchestrazione e test; chi opera nella sicurezza deve esaminare identità, privilegi, tracciabilità e possibili abusi. Lo stesso corso introduttivo per tutti crea un vocabolario comune, ma difficilmente prepara persone con compiti tanto diversi.
Il tema ha anche una dimensione normativa. Le indicazioni della Commissione europea sull’AI literacy collegano l’articolo 4 dell’AI Act alle conoscenze, all’esperienza e alla formazione di chi utilizza sistemi di intelligenza artificiale per conto di provider e deployer. La Commissione invita a considerare il ruolo dell’organizzazione, i rischi del sistema, il contesto d’uso e le persone interessate. La formazione basata sul rischio diventa quindi parte del governo dell’AI, con contenuti più approfonditi per gli impieghi che possono incidere su diritti, sicurezza o attività essenziali.
Dati e conoscenza aziendale diventano una disciplina operativa
Un agente produce risultati affidabili quando riceve il contesto necessario e può accedere a informazioni aggiornate, pertinenti e autorizzate. La qualità del modello rappresenta soltanto una parte dell’equazione. Documenti contraddittori, tassonomie incoerenti, basi dati prive di ownership e permessi troppo estesi possono compromettere un flusso anche quando la tecnologia sottostante funziona correttamente.
Per questo l’upskilling deve includere data governance, data engineering e knowledge management. I professionisti IT devono imparare a individuare le fonti autorevoli, definire metadati e responsabilità, gestire versioni e scadenze dei contenuti, controllare la provenienza delle informazioni e progettare modalità di recupero adatte al caso d’uso.
La cosiddetta context engineering amplia il lavoro sul prompt: comprende la selezione dinamica di documenti, memoria, stato del processo, strumenti e regole che orientano l’agente.
La crescita da pochi prototipi a molti flussi operativi rende indispensabile anche un inventario. Per ciascun sistema occorre conoscere proprietario, finalità, modello utilizzato, dati accessibili, integrazioni, livello di autonomia e meccanismo di arresto. Questa mappa permette di aggiornare le autorizzazioni quando cambia un ruolo, sostituire un modello, ricostruire un incidente e ritirare in sicurezza una soluzione superata.
Il NIST AI Risk Management Framework: Generative AI Profile raccomanda di registrare negli inventari la provenienza dei dati, i problemi conosciuti, i modelli e le relative versioni, le modalità di accesso e le responsabilità di supervisione umana. Il documento suggerisce inoltre di confrontare i risultati con dati di riferimento affidabili e di combinare valutazioni automatiche e controllo umano. Sono attività che richiedono professionalità capaci di unire gestione dell’informazione, conoscenza del dominio e risk management.
Valutare gli agenti prima e dopo il rilascio
Con l’AI tradizionale, la verifica tende spesso a concentrarsi sulla qualità dell’output. Nei sistemi agentici bisogna esaminare anche il percorso: quali fonti sono state consultate, quali strumenti sono stati chiamati, quali autorizzazioni sono state usate e come il sistema ha reagito a un’eccezione. Due esiti apparentemente corretti possono derivare da sequenze molto diverse, una delle quali può essere fragile o incompatibile con le policy aziendali.
Le competenze di qualità si estendono quindi alla progettazione di scenari, dataset di prova e metriche. Accuratezza e percentuale di completamento vanno affiancate da indicatori come violazioni dei vincoli, interventi umani, errori nell’uso degli strumenti, tempi, costi e stabilità nel tempo. Servono test su casi ordinari, eccezioni e tentativi deliberati di indurre comportamenti indesiderati. Il NIST richiama processi di test, valutazione, verifica e validazione lungo il ciclo di vita, oltre al red teaming per individuare vulnerabilità quali prompt injection, estrazione del modello e diffusione di informazioni riservate.
La verifica diventa una funzione continua e interdisciplinare, perché il comportamento può cambiare dopo l’aggiornamento di un modello, di una base documentale o di un’applicazione collegata. Un centro di competenza sulla qualità dell’AI può definire metodi, strumenti e soglie comuni, mentre la responsabilità del risultato resta vicina al processo aziendale. Gli esperti di dominio sono essenziali per riconoscere errori plausibili che un controllo puramente tecnico potrebbe accettare.
Sicurezza, identità e osservabilità per una forza lavoro digitale
L’adozione di agenti introduce identità software che consultano risorse e compiono operazioni. I team di cybersecurity e infrastruttura devono saper applicare il principio del privilegio minimo, limitare durata e ambito delle credenziali, separare gli ambienti e registrare le azioni in modo utilizzabile durante audit e incident response. Ogni autorizzazione concessa a un agente dovrebbe essere commisurata al compito, con escalation quando aumenta l’impatto potenziale.
Anche il concetto di osservabilità si amplia. Metriche, log e tracce devono consentire di ricostruire la catena che va dall’obiettivo iniziale alla decisione e all’azione. Oltre alla disponibilità del servizio, diventano rilevanti la deriva delle prestazioni, l’aumento degli errori, l’uso anomalo di strumenti, i tentativi ripetuti e il costo per attività completata. Le operations devono inoltre predisporre procedure di contenimento, rollback e disattivazione.
Da questa evoluzione nasce l’AgenticOps, inteso come insieme di pratiche per portare gli agenti in produzione e mantenerli entro parametri controllati. Le competenze di Site Reliability Engineering, DevSecOps e gestione delle identità offrono basi già mature. Vanno adattate a sistemi probabilistici, nei quali lo stesso input può generare percorsi differenti e il monitoraggio deve considerare sia l’infrastruttura sia la qualità del comportamento.
Lo sviluppo software accelera, la capacità di giudizio acquista peso
La generazione automatica di codice sposta una parte del lavoro dalla scrittura alla definizione del problema, alla revisione e alla prova. Il rapporto DORA 2025 sullo sviluppo software assistito dall’AI rileva che il 90% degli intervistati utilizza l’AI al lavoro e più dell’80% percepisce un aumento della produttività. Il 30% dichiara però poca o nessuna fiducia nel codice generato.
La ricerca rileva inoltre una relazione positiva con la velocità di consegna e le prestazioni di prodotto, accompagnata da una relazione negativa con la stabilità del software delivery. L’AI tende ad amplificare le condizioni già presenti: test automatici solidi, version control, cicli di feedback rapidi e piattaforme interne di qualità aiutano a convertire la maggiore velocità in risultati; processi fragili accumulano difetti e lavoro a valle.
La formazione degli sviluppatori deve quindi comprendere decomposizione dei requisiti, architettura, code review, testing, sicurezza e lettura critica delle proposte generate. È utile lavorare in incrementi piccoli, perché modifiche circoscritte sono più semplici da comprendere, verificare e annullare. Il parametro di produttività deve andare oltre le righe di codice o le attività chiuse e considerare qualità, manutenibilità, affidabilità e valore consegnato.
Per i profili junior emerge una questione delicata. Se l’AI assorbe molte attività elementari, si riducono le occasioni attraverso cui si imparavano sistemi, errori e conseguenze. Affidare ai nuovi ingressi soltanto la revisione di grandi quantità di output automatico rischia di creare un controllo formale privo dell’esperienza necessaria. Servono apprendistato strutturato, affiancamento, rotazioni tra sviluppo e operations, esercizi di debugging e responsabilità progressive su componenti reali. L’obiettivo è accelerare la maturazione professionale senza saltare le basi che rendono possibile giudicare il lavoro della macchina.
Una mappa delle capacità collegata ai ruoli e ai rischi
Un programma efficace parte dall’inventario dei casi d’uso e delle professionalità coinvolte. Per ogni processo, la direzione IT può identificare le decisioni delegate, i sistemi raggiungibili, i dati trattati, la gravità di un errore e i punti nei quali è richiesto l’intervento umano. Da questa analisi deriva una matrice che associa competenze, profondità attesa ed evidenze di apprendimento a ciascun ruolo.
La formazione di base può coprire funzionamento e limiti dell’AI, protezione dei dati, proprietà intellettuale, sicurezza e policy interne. I percorsi specialistici devono invece riprodurre il lavoro: costruzione di un agente in ambiente controllato, progettazione dei permessi, valutazione su casi di test, analisi delle tracce e risposta a un incidente simulato. La capacità va dimostrata attraverso risultati osservabili, come una valutazione documentata, una policy tradotta in controllo tecnico o un flusso reso più affidabile.
Anche la misurazione deve collegarsi agli esiti operativi. Tasso di completamento della formazione e numero di certificazioni descrivono l’attività svolta; riduzione delle escalation improprie, qualità dei rilasci, tempo di risoluzione, frequenza degli incidenti e valore generato dai casi d’uso mostrano se le nuove capacità vengono applicate. Il confronto prima e dopo l’intervento permette di correggere contenuti e priorità.
La portata del problema supera il perimetro dell’IT. Secondo il Future of Jobs Report 2025 del World Economic Forum il 39% delle competenze esistenti è destinato a trasformarsi o diventare obsoleto entro il 2030. Il 63% delle imprese indica lo skill gap come principale ostacolo alla trasformazione e l’85% prevede di dare priorità all’upskilling. AI e big data guidano l’aumento della domanda, insieme a reti, cybersecurity e alfabetizzazione tecnologica; pensiero analitico, resilienza e apprendimento continuo conservano un ruolo centrale.
Il ruolo del CIO: progettare il sistema nel quale si apprende
L’upskilling per l’AI agentica è un sistema di apprendimento sul lavoro. Richiede tempo protetto per sperimentare, ambienti sicuri, accesso a dati adeguati, tutor, comunità professionali e percorsi di mobilità interna. Richiede anche una posizione aziendale comprensibile sull’uso dell’AI, affinché le persone sappiano quali strumenti sono ammessi, quali informazioni possono trattare e quando devono chiedere un’autorizzazione.
Il CIO deve coordinare questo disegno con responsabili delle risorse umane, sicurezza, legale, compliance e linee di business. La responsabilità condivisa evita che la preparazione tecnica proceda separata dai cambiamenti organizzativi. Product manager e process owner definiscono gli esiti; data owner e security specialist stabiliscono condizioni e controlli; piattaforme e operations rendono il modello replicabile; i responsabili della formazione trasformano le capacità richieste in esperienze di apprendimento verificabili.
Una sequenza sostenibile può partire da pochi processi ad alto valore e rischio gestibile, creare gruppi interdisciplinari e raccogliere evidenze su qualità, tempi, costi ed errori. I risultati alimentano standard, componenti riutilizzabili e nuovi percorsi professionali. Con l’aumento dell’autonomia crescono la profondità dei test, la segregazione dei privilegi e la frequenza del monitoraggio.
L’impresa pronta per l’AI agentica sarà quella capace di distribuire giudizio e responsabilità insieme alla tecnologia. Le persone dovranno conoscere meglio il business, rendere il sapere aziendale accessibile in modo controllato, verificare sistemi probabilistici e intervenire sugli effetti reali delle loro azioni. È su questa combinazione che si misura la maturità della funzione IT.
Partecipa alla community