A cura di Giovanni Masi
Dai modelli generativi alla trasformazione dell’ufficio e delle pratiche didattiche, fino ai vincoli di sicurezza e alle regole europee, la competenza decisiva diventa saper dare istruzioni e saper verificare.
Una casella vuota come nuova interfaccia del sapere
Per decenni il computer è stato una macchina “a cruscotto”, con comandi visibili e un percorso d’uso suggerito da pulsanti, menu e icone. Gli strumenti di Intelligenza Artificiale generativa hanno ribaltato quella grammatica introducendo un’interfaccia quasi provocatoria, spesso ridotta a una pagina bianca con un cursore che lampeggia. Dietro quella casella si concentra una potenza enorme, ma la superficie è scarna e, proprio per questo, tende a mettere in luce ciò che prima restava implicito. Quando manca una mappa, diventa necessario saper formulare una direzione.
Questa “essenzialità” non è un dettaglio di design, perché può produrre paralisi, frustrazione e un senso di inefficacia che porta a un giudizio affrettato sullo strumento. Domande vaghe generano risposte vaghe, e la conclusione più comune è che l’AI sia superficiale o inaffidabile, quando spesso il punto critico è un altro e riguarda l’utente e il contesto. Sta emergendo una nuova alfabetizzazione che somiglia a una forma di programmazione in linguaggio naturale, in cui conta saper descrivere un obiettivo, stabilire vincoli, fornire esempi, chiedere un formato controllabile e poi verificare. Nel lavoro questa competenza è già misurabile in termini di tempo risparmiato e qualità migliorata, mentre nella scuola sta diventando un tema educativo inevitabile.
In questo passaggio si incontrano tre livelli che, nella pratica, stanno già marciando insieme. C’è la natura dei modelli generativi e il modo in cui possono sbagliare in maniera convincente, c’è l’evoluzione dell’AI in ufficio fino a diventare una componente strutturale dei flussi informativi e, sullo sfondo, c’è la domanda educativa che ne deriva. Se la tecnologia sta entrando nei processi quotidiani, la competenza che la rende utile e sicura non può restare un sapere informale, perché riguarda il modo in cui si formulano richieste, si impostano vincoli e si verifica ciò che si ottiene.
Modelli generativi, potenza statistica e limiti strutturali
L’AI generativa contemporanea coincide soprattutto con modelli linguistici e multimodali che producono testo, immagini, audio e, sempre più spesso, video. Dal punto di vista operativo, questi sistemi hanno appreso regolarità da grandi quantità di dati e generano output plausibili dato un contesto e un insieme di istruzioni, con una fluidità che fino a pochi anni fa era confinata a dimostrazioni di laboratorio. Il punto, però, è capire la natura di questa “plausibilità”, perché non coincide automaticamente con verità o affidabilità.
Questi modelli non sono depositi di conoscenza certificata e non ragionano come un esperto umano che controlla una fonte prima di affermare qualcosa. Sono sistemi probabilistici che tendono a “riempire i vuoti” anche quando sarebbe più corretto ammettere incertezza, e da qui nasce il fenomeno delle allucinazioni, cioè risposte eleganti ma errate o non verificabili. Per questo il valore cresce quando il processo è progettato per rendere l’output controllabile, facendo spazio a dati attendibili, a criteri di qualità espliciti e a una revisione umana visibile.
L’AI non elimina la responsabilità, la sposta verso chi definisce obiettivi e vincoli e verso chi valida l’esito, con una conseguenza pratica che spesso viene trascurata, perché il tempo risparmiato sulla prima bozza dovrebbe essere reinvestito in controllo, non in produzione indiscriminata.
Dal Software 1.0 al Software 2.0, perché cambia il lavoro
Per anni il software è stato progettato come un insieme di regole scritte a mano, nella forma “se accade A allora fai B”, e la qualità dipendeva dalla completezza di quelle regole. L’apprendimento automatico ha introdotto un paradigma complementare, in cui una parte della logica emerge da esempi, dati e obiettivi, e questa transizione è stata descritta con efficacia come passaggio dal Software 1.0 al Software 2.0. Non è un gioco di etichette. È un modo per capire perché l’AI sta cambiando soprattutto i lavori in cui contano linguaggio, sintesi, classificazione e decisioni operative ripetitive.
Quando un sistema può generare un primo draft credibile, riorganizzare informazioni, proporre strutture e riscrivere in stili diversi, il costo dell’iterazione crolla e l’attenzione può tornare su ciò che conta davvero, vale a dire la qualità del ragionamento, la coerenza e la correttezza. Le evidenze raccolte da Microsoft su Copilot e i risultati di sperimentazioni nel settore pubblico britannico vanno nella stessa direzione: l’adozione produce risparmi di tempo quotidiani e, in molti casi, una percezione di maggiore efficacia, a patto che restino centrali la revisione e la responsabilità editoriale. In termini giornalistici, è la differenza tra un assistente che accelera la bozza e un automatismo che sostituisce la verifica, con effetti diametralmente opposti sulla qualità finale.
Quando l’AI diventa infrastruttura dell’ufficio
L’adozione aziendale non si limita alla stesura di testi. Sta emergendo una traiettoria in cui l’assistente diventa infrastruttura informativa e, in alcuni casi, un’interfaccia universale per interrogare processi e documenti. La prima trasformazione riguarda la produzione di contenuti professionali, perché email, offerte, procedure e presentazioni vengono avviate più rapidamente e rielaborate più volte in meno tempo, purché briefing e criteri di qualità siano chiari e condivisi, e purché esista un momento di revisione che non sia una formalità.
La seconda trasformazione riguarda la ricerca interna. Si passa da cartelle e parole chiave alla ricerca semantica, che permette di interrogare una base documentale chiedendo significati e relazioni invece di nomi di file. Qui entra in gioco l’architettura della Retrieval Augmented Generation, nata in letteratura scientifica per collegare la generazione al recupero di passaggi pertinenti, così che la risposta non dipenda solo dal “ricordo statistico” del modello, ma venga ancorata a documenti dell’organizzazione. Un esempio tipico è la richiesta di sintetizzare le obiezioni di un cliente o le condizioni di un contratto, con citazioni interne al corpus aziendale, e con l’obiettivo di ridurre errori e allucinazioni.
In molte organizzazioni il beneficio si vede anche su un problema meno visibile ma enorme, quello dei dati oscuri che rimangono intrappolati in allegati, PDF, scambi email e presentazioni. Quando queste informazioni diventano interrogabili, l’AI non sta semplicemente “scrivendo”, ma sta rendendo accessibile conoscenza che c’era già e che, per ragioni pratiche, restava inutilizzata. In questo senso l’ufficio aumentato non è una promessa astratta, perché sposta tempo dalla ricerca frammentata alla decisione informata.
La terza trasformazione riguarda le riunioni. Trascrizione automatica e sintesi di decisioni, azioni e scadenze trasformano il parlato in memoria organizzativa, con effetti concreti su continuità e responsabilità tracciabile, soprattutto in contesti distribuiti o con ricambio del personale frequente. La quarta trasformazione, più delicata, è l’automazione agentica, cioè sistemi che non si limitano a suggerire ma possono compiere azioni su strumenti aziendali e chiedere approvazione prima del passo finale. È un passaggio dal copilota all’autopilota parziale che promette efficienza, ma impone una disciplina superiore nella definizione dei permessi e nella gestione dei rischi.
Agenti, sicurezza e controllo, perché l’autonomia va progettata
L’idea di agenti che alternano ragionamento e azione è stata formalizzata anche in ricerca con approcci come ReAct, che mostrano come un modello possa pianificare, usare strumenti esterni e correggersi grazie al feedback dell’ambiente. In azienda questo si traduce in flussi a più passaggi in cui l’agente riceve una richiesta, raccoglie dati, propone un piano e, se autorizzato, esegue operazioni su sistemi di gestione dei ticket, calendari o piattaforme di customer care.
All’aumentare dell’autonomia cambiano i rischi e cambiano, di conseguenza, le contromisure necessarie. Oltre agli errori di contenuto diventano critici gli errori operativi, perché una risposta sbagliata può diventare un’azione sbagliata. Entrano in gioco attacchi come il prompt injection, in cui istruzioni malevole, nascoste in documenti o input, tentano di deviare il comportamento del sistema, e la comunità di sicurezza sta trattando questi scenari come una nuova superficie d’attacco, come mostrano riferimenti pratici quali l’OWASP Top 10 per le applicazioni basate su LLM.
I framework di gestione del rischio, come l’AI Risk Management Framework del NIST e i suoi profili dedicati alla generative AI, convergono su un principio semplice: non è sufficiente che il modello “ragioni bene”, serve che l’ambiente sia progettato per limitare i danni quando ragiona male.
Questo significa privilegio minimo, ambienti isolati, registri di attività, test mirati e, per azioni irreversibili o ad alto impatto, supervisione umana. Significa anche definire confini chiari, perché un agente che può leggere tutto e scrivere ovunque è un rischio sistemico, mentre un agente che opera per compiti circoscritti, con controlli e conferme, diventa uno strumento potente e governabile.
Multimedialità e fiducia, presentazioni, video e voce
La generazione multimediale è l’area più visibile e anche una delle più ambivalenti. Nella comunicazione aziendale l’AI viene usata per trasformare un documento in una sequenza di slide coerente, scegliendo una struttura narrativa e proponendo layout, con un vantaggio che va oltre l’abbellimento. Il guadagno sta nel ridurre il lavoro meccanico e nel riportare tempo sulla costruzione del messaggio, sul controllo dei dati e sulla chiarezza argomentativa, che restano attività profondamente umane.
Nel corporate learning, la sintesi video con avatar riduce tempi e costi quando i contenuti devono essere aggiornati spesso o localizzati in molte lingue, e permette di mantenere una coerenza di erogazione tra sedi e mercati diversi. Anche qui, però, emerge un discrimine che riguarda la fiducia. Il sintetico funziona bene per informazione e formazione tecnica, mentre la presenza umana resta decisiva nei momenti relazionali, di leadership e di gestione del conflitto, dove autenticità e credibilità non sono dettagli.
Sul fronte audio, il voice cloning ha applicazioni legittime, ma apre rischi concreti di frode. Analisi istituzionali europee sulle truffe abilitate da AI evidenziano la crescita di deepfake usati per impersonare persone reali e ottenere trasferimenti urgenti o dati sensibili, e questo spinge molte organizzazioni a introdurre procedure di verifica fuori banda e regole di consenso più stringenti. In altre parole, la creatività tecnica non basta: quando la sintesi rende più facile l’impersonificazione, la governance deve diventare parte del progetto, non una nota a margine.
Regole europee e alfabetizzazione, la governance non è accessoria
In Europa la governance non è più facoltativa. L’AI Act è entrato in vigore e prevede un’implementazione graduale, con un periodo transitorio prima della piena applicabilità, mentre alcune disposizioni entrano in funzione in anticipo. Tra i passaggi più rilevanti ci sono l’introduzione di obblighi di alfabetizzazione sull’AI e regole specifiche per i modelli di AI di uso generale. La conseguenza pratica è che, in molte realtà, “usare l’AI” non è più una scelta individuale ma un tema di policy, formazione e responsabilità organizzativa.
In Italia, a settembre 2025, è stato approvato in via definitiva un quadro nazionale sull’intelligenza artificiale che affianca il regolamento europeo e punta a renderne più praticabile l’applicazione, chiarendo assetti di governance, ruoli istituzionali e priorità di attuazione. L’impostazione, in linea con l’approccio europeo basato sul rischio, insiste sul raccordo tra promozione dell’innovazione e presidio di sicurezza, e richiama esplicitamente il bisogno di competenze diffuse e di controlli proporzionati quando i sistemi entrano in processi sensibili.
Questo quadro è significativo anche per scuola e pubblica amministrazione, perché spinge a distinguere tra sperimentazione e adozione, tra curiosità e processo. L’alfabetizzazione, qui, non è soltanto cultura digitale, ma capacità di riconoscere limiti, rischi e contesti d’uso appropriati, in modo che l’AI diventi un moltiplicatore e non un generatore di errori. Inoltre la responsabilità resta umana. Chi utilizza l’AI rimane responsabile di decisioni e documenti, e questo rende centrale una figura spesso trascurata, il validatore competente, capace di controllare fonti, riconoscere ambiguità e decidere quando un’uscita è accettabile e quando, invece, deve essere rigettata o riscritta.
Perché l’AI deve entrare a scuola, e come farlo senza scorciatoie
Se l’AI è già dentro i processi produttivi, l’educazione non può ridurla a un problema di copiatura o a un braccio di ferro tra divieti e scorciatoie. Le indicazioni internazionali vanno nella direzione di un approccio centrato sulla persona, in cui gli strumenti servono a sviluppare capacità umane e non dipendenza, e in cui l’uso consapevole evita la falsa padronanza, cioè l’illusione di aver capito perché si è ottenuta una risposta fluida. In aula la differenza la fa il metodo e, soprattutto, il modo in cui si valuta il lavoro.
In pratica, l’AI può essere trasformata in uno strumento di studio attivo, a patto che lo studente impari a chiedere non solo una spiegazione, ma anche un controesempio, una domanda di verifica, un’analisi degli errori tipici e una critica del proprio ragionamento. In questo modo la casella vuota diventa un esercizio di definizione del problema e di revisione, più che un distributore automatico di testi. La competenza cruciale, che vale tanto in classe quanto in azienda, è saper verificare. Generare un paragrafo è facile, mentre confrontare fonti, distinguere un’affermazione plausibile da una fondata e correggere imprecisioni richiede metacognizione, pazienza e responsabilità.
Il contesto economico rende questa urgenza più concreta. Il World Economic Forum descrive il periodo 2025-2030 come una fase di trasformazione accelerata, in cui AI e tecnologie di information processing incidono sulla maggior parte delle organizzazioni e modificano le competenze richieste, mentre l’AI Index di Stanford registra una crescita dell’adozione e degli investimenti con una spinta particolare sulla generative AI. Di fronte a questo scenario, la domanda non è se l’AI verrà usata dai giovani, ma se verrà usata con strumenti critici, con consapevolezza dei limiti e con un’etica della verifica che protegga tanto l’apprendimento quanto la qualità della conoscenza prodotta.
Conclusione, dalla pagina bianca alle domande buone
La casella vuota con il cursore lampeggiante sposta il centro di gravità dal clic al ragionamento. In questo scenario, scuola e lavoro condividono una stessa esigenza, trasformare l’AI in un acceleratore di comprensione e non in un sostituto del pensiero. Quando si impara a formulare richieste precise, a esplicitare criteri di qualità, a pretendere risposte verificabili e a riscrivere con responsabilità, l’AI diventa un alleato che riduce l’attrito dell’iterazione e libera tempo per l’analisi.
La posta in gioco, però, non è soltanto competitività professionale. È autonomia cognitiva. Preparare le nuove generazioni a convivere con strumenti capaci di produrre contenuti convincenti significa insegnare a non confondere fluidità e correttezza, a rispettare dati e persone, e a costruire giudizi che restino umani anche quando il testo nasce da una macchina. In questo senso, l’alfabetizzazione all’AI non è una moda. È una forma contemporanea di educazione alla libertà.
Bibliografia
[1] Commissione europea, “AI Act | Shaping Europe’s digital future”, https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
[2] Commissione europea, “AI Act enters into force” (news, 1 August 2024), https://commission.europa.eu/news-and-media/news/ai-act-enters-force-2024-08-01_en
[3] UNESCO, “Guidance for generative AI in education and research” (2023), https://unesdoc.unesco.org/ark:/48223/pf0000386693
[4] UNESCO, “Guidance for generative AI in education and research” (articolo, 7 September 2023; ultimo aggiornamento 16 January 2026), https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
[5] OECD, “OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education” (19 January 2026), https://www.oecd.org/en/publications/oecd-digital-education-outlook-2026_062a7394-en.html
[6] OECD, “OECD Digital Education Outlook 2026” (PDF), https://www.oecd.org/content/dam/oecd/en/publications/reports/2026/01/oecd-digital-education-outlook-2026_940e0dd8/062a7394-en.pdf
[7] World Economic Forum, “The Future of Jobs Report 2025” (7 January 2025), https://www.weforum.org/publications/the-future-of-jobs-report-2025/
[8] World Economic Forum, “WEF Future of Jobs Report 2025” (PDF), https://reports.weforum.org/docs/WEF_Future_of_Jobs_Report_2025.pdf
[9] Stanford HAI, “The 2025 AI Index Report”, https://hai.stanford.edu/ai-index/2025-ai-index-report
[10] Stanford HAI, “Artificial Intelligence Index Report 2025” (PDF), https://hai-production.s3.amazonaws.com/files/hai_ai_index_report_2025.pdf
[11] Microsoft WorkLab, “What Can Copilot’s Earliest Users Teach Us About Generative AI at Work?” (15 November 2023), https://www.microsoft.com/en-us/worklab/work-trend-index/copilots-earliest-users-teach-us-about-generative-ai-at-work
[12] UK Government, “Microsoft 365 Copilot experiment: cross-government findings report” (2 June 2025), https://www.gov.uk/government/publications/microsoft-365-copilot-experiment-cross-government-findings-report/microsoft-365-copilot-experiment-cross-government-findings-report-html
[13] Lewis, P. et al., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks” (arXiv, 2020), https://arxiv.org/abs/2005.11401
[14] Yao, S. et al., “ReAct: Synergizing Reasoning and Acting in Language Models” (arXiv, 2022), https://arxiv.org/abs/2210.03629
[15] OWASP, “OWASP Top 10 for Large Language Model Applications”, https://owasp.org/www-project-top-10-for-large-language-model-applications/
[16] NIST, “AI Risk Management Framework (AI RMF 1.0)” (NIST AI 100-1, 2023), https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
[17] NIST, “Generative AI Profile” (NIST AI 600-1, 2024), https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
[18] IBM, “What Is Dark Data?”, https://www.ibm.com/think/topics/dark-data
[19] European Parliament Research Service, “Scam calls in times of Generative AI” (briefing, PDF), https://www.europarl.europa.eu/RegData/etudes/ATAG/2025/777940/EPRS_ATA%282025%29777940_EN.pdf
[20] Commissione europea, “Digital Education Action Plan: policy background (2021-2027)”, https://education.ec.europa.eu/focus-topics/digital-education/plan
[21] Commissione europea, “Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators” (agg. 28 June 2024), https://education.ec.europa.eu/node/2285