L'AI dà il meglio quando impariamo a usarla insieme

In una conversazione tra colleghi sull'uso dell'AI in azienda, la parte più utile può arrivare dopo aver mostrato un risultato. Si torna alla richiesta iniziale, si racconta quale informazione mancava, si spiega perché una risposta convincente aveva bisogno di una correzione. In quell'istante un'esperienza individuale diventa una risorsa preziosa per l'organizzazione, qualcosa da cui anche gli altri possono imparare.

Immaginiamo due collaboratori di un'azienda del credito che rileggano insieme una comunicazione preparata con l'AI per chiedere a un cliente alcuni documenti mancanti. Il primo ha impostato la richiesta al sistema specificando quali documenti sono già disponibili, quali occorrono e come organizzare il messaggio. Il secondo, abituato a gestire queste conversazioni con i clienti, nota che l'espressione “documentazione reddituale aggiornata” potrebbe lasciare il destinatario incerto su che cosa inviare. Propone quindi di indicare il documento preciso e il periodo a cui deve riferirsi. Insieme migliorano la comunicazione e ricavano un'indicazione da usare nelle richieste successive all'AI: specificare quel dettaglio.

La familiarità con lo strumento e la conoscenza del mestiere si rafforzano a vicenda. Chi ha più esperienza nel settore può contribuire mentre sta imparando a usare l'AI. Chi sperimenta con maggiore facilità può aiutare i colleghi a esplorare possibilità nuove.

AI literacy: un linguaggio comune

Perché il confronto funzioni, servono una comprensione e un lessico comuni. Con AI literacy intendiamo qui la capacità di orientarsi tra concetti, possibilità e limiti dell'AI, usando un linguaggio pertinente. Sapere, per esempio, che l'accesso di un assistente ai dati aggiornati di una pratica dipende dai collegamenti e dalle autorizzazioni permette di formulare aspettative più precise. Anche il Centre for Finance, Technology and Entrepreneurship di Londra, nel suo lavoro sull'alfabetizzazione all'AI, collega la comprensione dei sistemi alla capacità di valutarne i risultati e usarli consapevolmente.

Fonte: AI Literacy Whitepaper — CFTE

Un linguaggio condiviso aiuta anche persone di funzioni diverse a capirsi. Chiedere a un assistente di “usare l'elenco dei documenti mancanti per preparare una bozza da sottoporre al collaboratore” rende l'obiettivo più chiaro rispetto a un generico “rivedere la pratica e gestire la comunicazione con il cliente”. Chi segue il cliente, chi organizza il lavoro e chi cura i sistemi possono così discutere della stessa attività, con una comprensione più precisa del contributo atteso dall'AI.

AI fluency: la pratica della collaborazione

Con AI fluency mettiamo l'accento sulla capacità pratica di collaborare con l'AI: scegliere come coinvolgerla, fornire il contesto, valutare ciò che produce e affinare il lavoro. Il framework sviluppato da Rick Dakan e Joseph Feller con Anthropic collega proprio la scelta delle attività da affidare, la descrizione dell'obiettivo, la valutazione dei risultati e la responsabilità nell'uso.

Fonte: The AI Fluency Framework — Anthropic

Comprensione e pratica si alimentano mutualmente. Una prova fa emergere una domanda; un concetto chiarito permette di affrontare meglio la prova successiva. Nel nostro esempio, il confronto sul testo aiuta entrambi i colleghi a riconoscere le informazioni necessarie e a formulare meglio la richiesta all'AI.

Durante l'adozione, dare spazio al racconto del lavoro svolto permette di estendere questo apprendimento al team. Condividere l'obiettivo, il contesto e i criteri di valutazione aiuta i colleghi a capire che cosa riutilizzare e che cosa adattare. Con tempo dedicato e responsabilità riconosciute, queste esperienze possono diventare una capacità organizzativa: un modo condiviso di lavorare, anche tra funzioni diverse.

Verso i workflow AI-native

Un contributo importante può arrivare dai provider di sistemi AI che affiancano al prodotto un percorso di adoption, accompagnando le persone nella formazione e nell'applicazione al lavoro. Quando i team sviluppano una buona comprensione e padronanza degli strumenti, il confronto con il provider può spingersi verso la co-progettazione e la realizzazione di nuovi processi. La competenza tecnologica e di settore del fornitore incontra così la conoscenza delle attività e delle esigenze specifiche dell'azienda.

È il terreno dei workflow AI-native: processi concepiti fin dall'inizio considerando le capacità dell'AI e il contributo delle persone. Nel nostro esempio, si potrebbe ripensare l'intero percorso della richiesta documentale: individuare le informazioni mancanti, preparare una spiegazione, sottoporla al collaboratore per la revisione e tenere conto della risposta del cliente. Un sistema AI collegato agli strumenti e ai dati necessari può coordinare le attività previste, coinvolgendo il professionista nei passaggi di valutazione e decisione definiti insieme.

È in questa riprogettazione che possono emergere alcune delle opportunità di maggior valore dell'AI generativa e agentica. Un provider che accompagna l'adozione può aiutare il team a tradurre le idee in flussi funzionanti, curando dati, integrazioni e verifiche. L'esperienza delle persone contribuisce così a rendere il sistema sempre più aderente al lavoro che deve sostenere.

Un team che impara insieme diventa un interlocutore più consapevole per chi sviluppa la tecnologia: sa spiegare che cosa gli serve, valutare le proposte e contribuire a migliorarle. Il confronto iniziato davanti a una singola risposta dell'AI può arrivare a cambiare il modo in cui viene svolto un intero processo. E ogni nuova esperienza offre al gruppo un punto da cui ripartire per continuare a imparare.