Cos'è il divario di competenze di AI?

Il divario di competenze di AI è la mancata corrispondenza tra le funzionalità di AI di cui le organizzazioni hanno bisogno e le competenze attualmente in possesso dei dipendenti. Sta crescendo man mano che l'AI generativa, agenti AI e automazione cambiano il modo in cui viene svolto il lavoro.

La lacuna di competenze include competenze tecniche, come machine learning (ML), sviluppo software, data science, elaborazione del linguaggio naturale (NLP), prompt engineering e governance dei modelli. Include anche funzionalità più ampie sul posto di lavoro, come alfabetizzazione AI, gestione del cambiamento, leadership strategica e la capacità di lavorare efficacemente con strumenti di AI generativa e agenti AI.

L'AI sta passando da team tecnici specializzati ai workflow aziendali quotidiani. AI generativa, modelli linguistici di grandi dimensioni (LLM) e assistenti AI popolari (ad esempio ChatGPT) hanno reso l'AI più visibile agli utenti generali. Allo stesso tempo, i sistemi AI aziendali stanno diventando più capaci. Gli agenti AI possono completare le attività in più fasi, connettersi alle applicazioni aziendali e supportare il processo decisionale tra i reparti.

Questa necessità di AI in tutta l'azienda significa che il divario di competenze di AI si manifesta nei momenti quotidiani. Ad esempio, a un dipendente viene chiesto di utilizzare un assistente di AI generativa, ma non è sicuro di quali dati aziendali possano essere inseriti. Un manager sa che l'AI può migliorare la produttività ma non capisce quali workflow sono appropriati per l'automazione. Uno sviluppatore software inizia utilizzando uno strumento di AI coding ma deve comunque rivedere il codice generato per sicurezza, accuratezza e manutenibilità. Un leader aziendale approva un'iniziativa di AI ma manca di un modo affidabile per misurare il valore aziendale.

Il risultato è una definizione più ampia di preparazione della forza lavoro. Le organizzazioni hanno ancora bisogno di data scientist, ingegneri di machine learning e sviluppatori software che possano costruire e distribuire sistemi di AI. Le organizzazioni hanno anche bisogno di dipendenti di tutte le funzioni che possano utilizzare gli strumenti di AI in modo responsabile, valutare gli output, comprendere i rischi e adattarsi ai cambiamenti del lavoro.

Secondo una ricerca dell'IBM Institute for Business Value, solo il 25% dei lavoratori utilizza regolarmente l'AI come parte del proprio lavoro, anche se l'86% dei CEO ritiene che i propri dipendenti abbiano le competenze per collaborare con l'AI. La stessa ricerca ha rilevato che l'83% dei CEO ritiene che il successo dell'AI dipenda più dall'adozione da parte delle persone che dalla tecnologia stessa.

Esiste un divario nelle competenze di AI perché le funzionalità di AI, le aspettative aziendali e i requisiti lavorativi stanno cambiando contemporaneamente.

Molte organizzazioni stanno ancora determinando come utilizzare l'intelligenza artificiale nel lavoro quotidiano. Alcuni team utilizzano l'AI generativa per la stesura, la sintesi, il supporto clienti o lo sviluppo software. Alcuni team stanno sperimentando agenti AI in grado di eseguire attività su tutti i sistemi. Altri team stanno costruendo modelli di machine learning, utilizzando analytics predittiva o automatizzando workflow.

Questi cambiamenti creano diverse lacune di competenze sovrapposte:

• Il divario tecnico: le organizzazioni hanno bisogno di persone che comprendano ingegneria dei dati, algoritmi, machine learning, valutazione dei modelli, elaborazione del linguaggio naturale, cybersecurity e sviluppo software. Hanno anche bisogno di specialisti in grado di costruire, adattare, implementare, monitorare e governare sistemi di AI.
• La lacuna pratica: i dipendenti che non sono specialisti tecnici devono comunque capire come l'AI si applichi ai loro ruoli. Devono sapere come utilizzare gli strumenti in sicurezza, come valutare gli output dell'AI e quando inviare un compito a un esperto.
• Il divario manageriale: l'adozione dell'AI spesso cambia workflow, ruoli, aspettative di performance e diritti decisionali. Ciò rende la gestione del cambiamento e la leadership parti importanti della preparazione all'AI.

Dal report Future of Jobs Report 2025 del Forum economico mondiale è emerso che i datori di lavoro prevedono che il 39% delle competenze chiave dei lavoratori cambierà entro il 2030. Il report ha inoltre rilevato che il 50% della forza lavoro ha completato la formazione come parte di strategie di apprendimento a lungo termine, rispetto al 41% del 2023.

Lo studio CEO di IBM del 2026 evidenzia anche la portata del cambiamento nella forza lavoro. I CEO intervistati hanno dichiarato di aspettarsi che il 53% dei dipendenti necessiti di aggiornamento delle competenze tra il 2026 e il 2028 per svolgere meglio i propri ruoli attuali, mentre il 29% dovrà riqualificarsi per ruoli diversi.

L'impatto dell'AI sulle competenze della forza lavoro si divide in diversi ambiti.

Molti dipendenti ora si imbattono nell'AI all'interno di strumenti già utilizzati, come software di produttività, piattaforme di servizio clienti, strumenti di analisi, sistemi HR e ambienti di sviluppo software. I lavoratori potrebbero aver bisogno di sapere come fornire prompt più precisi, fornire un contesto a un modello o decidere se una risposta generata dall'AI è affidabile. Questi compiti richiedono alfabetizzazione AI e valutazione critica, non necessariamente competenze avanzate di codifica.

Anche i team tecnici stanno vedendo cambiamenti nel modo in cui viene svolto il lavoro. I team di sviluppo software possono utilizzare assistenti di codifica AI generativa (come IBM) per generare codice, documentare funzioni, spiegare codice legacy e creare test unitari.

La competenza nello sviluppo software rimane essenziale, soprattutto per aiutare i team più ampi a recensioni, testare, proteggere e mantenere il codice generato.

I sistemi AI possono analizzare grandi quantità di dati, identificare modelli e consigliare azioni. In alcuni casi, AI può supportare decisioni che in passato richiedevano troppo tempo per essere prese manualmente. Ma può creare nuovi rischi se la raccomandazione non è spiegabile o appropriata.

Questo aumenta l'importanza della governance, dell'etica e della responsabilità. I dipendenti devono capire quando l'AI può informare una decisione, quando non dovrebbe essere utilizzata e quando sono necessarie recensioni umane.

L'adozione dell'AI non è più solo responsabilità dei team tecnici. I leader nelle risorse umane, finanza, operazioni, marketing, legale, rischio e l'esperienza del cliente hanno sempre più bisogno di una conoscenza sufficiente dell'AI per comprendere come la tecnologia influenzi il loro settore.

"I CEO che ottengono risultati reali dalla trasformazione dell'AI non stanno solo implementando l'AI più velocemente, ma stanno ridisegnando le loro organizzazioni per riunire le persone migliori con la migliore tecnologia", afferma Mohamad Ali, Senior Vice President di IBM Consulting.

Le competenze necessarie per l'AI variano in base al ruolo, al settore e al livello di responsabilità. In generale, rientrano in diverse categorie.

L'alfabetizzazione AI è la capacità di comprendere, utilizzare e valutare i sistemi di intelligenza artificiale. Include sapere cosa può fare l'AI, quali sono i suoi limiti e come usarla responsabilmente.

Il prompt engineering è la pratica di fornire ai sistemi di AI istruzioni chiare e utili. Per la maggior parte dei dipendenti, questo significa imparare a inquadrare un compito, fornire il contesto, specificare il formato desiderato e porre domande di approfondimento. Per gli utenti più avanzati, il prompt engineering può comportare la progettazione di prompt riutilizzabili, la creazione di librerie di prompt e la combinazione di prompt con fonti di dati approvate.

La valutazione critica è la capacità di valutare se un output dell'AI è accurato, rilevante, completo e appropriato. I lavoratori devono sapere come controllare le fonti, identificare i pregiudizi e decidere se un esperto umano dovrebbe esaminare il risultato.

Le competenze di governance ed etica dell'AI aiutano le organizzazioni a utilizzare l'AI in modo responsabile. Queste competenze includono la comprensione della privacy dei dati, dei bias, dell'equità, della trasparenza, della spiegabilità, della verificabilità, dei requisiti normativi e della supervisione umana. Toolkit come IBM watsonx.governance potrebbero aiutare le organizzazioni a stabilire un uso responsabile dell'IA.

Alcuni ruoli richiedono competenze tecniche più profonde. Queste competenze sono particolarmente importanti per data scientist, ingegneri di AI e ML, sviluppatori software, specialisti MLOps e professionisti della cybersecurity .

Le competenze di AI altamente richieste includono:

• Data science e analisi statistica
• Machine learning e deep learning
• Sistemi di elaborazione del linguaggio naturale
• Sviluppo, test e valutazione dei modelli
• Ingegneria dei dati e gestione della qualità dei dati
• Sviluppo software e integrazione di API
• Retrieval-augmented generation (RAG)
• Monitoraggio del modello e MLOps
• Cybersecurity e ingegneria della privacy
• Analisi del comportamento di algoritmi e modelli

La leadership strategica è la capacità di collegare le iniziative di AI agli obiettivi aziendali. Ciò include decidere quali attività devono essere automatizzate, quali dovrebbero essere aumentate e quali dovrebbero rimanere dirette all'uomo. Include anche il finanziamento del giusto programma di miglioramento delle competenze, il sostegno allo sviluppo della carriera e la creazione di una forza lavoro pronta per il futuro.

Gli agenti AI sono sistemi di intelligenza artificiale in grado di svolgere compiti con un certo grado di autonomia. A differenza dei chatbot di base, gli agenti AI possono pianificare passaggi, utilizzare strumenti, interagire con i sistemi software e altro ancora. Ciò influisce sul divario di competenze di AI perché i dipendenti potrebbero non chiedere più solo informazioni ai sistemi di AI. Possono anche supervisionare i sistemi AI che avviano le azioni.

In pratica, questo crea nuovi requisiti di competenze. I dipendenti potrebbero aver bisogno di capire come:

• Definire gli obiettivi degli agenti
• Stabilire dei confini
• Rivedere le azioni
• Monitorare le prestazioni
• Decidere quando è necessaria l'approvazione umana

Ad esempio:

• Risorse umane: un agente AI potrebbe rispondere alle domande dei dipendenti, recuperare informazioni sulle politiche, programmare colloqui o iniziare compiti di onboarding. I team delle risorse umane devono sapere quando l'agente deve segnalare problemi sensibili.
• Finanza: un agente AI può raccogliere dati aziendali, riassumere le variazioni di bilancio o redigere spiegazioni di previsione. I team finanziari devono ancora convalidare i dati, le ipotesi e le conclusioni.
• Servizio clienti: un agente AI può classificare le richieste, recuperare i dettagli dell'account, consigliare risoluzioni o avviare rimborsi e ticket di assistenza. I dipendenti devono sapere quali azioni possono essere automatizzate e quali richiedono approvazione.
• Operazioni della supply chain: un agente AI può monitorare l'inventario, identificare ritardi o raccomandare fornitori alternativi e rotte di spedizione. I team di operazioni devono comprendere i dati dietro la raccomandazione prima di agire.

Questi esempi mostrano perché l'agentic AI amplia la conversazione sulle competenze. La questione non è solo se i dipendenti possano usare l'AI. Si tratta di sapere se possono funzionare all'interno di sistemi in cui esseri umani e agenti AI condividono la responsabilità di parti di un workflow.

Colmare il divario di competenze di AI comporta in genere diversi passaggi chiave:

La prontezza all'AI è il grado in cui un'organizzazione dispone delle persone, dei processi, dei dati, della governance dei dati e della tecnologia necessari per utilizzare efficacemente l'AI.

Una valutazione di prontezza AI può esaminare:

• Come viene attualmente utilizzata l'AI tra i team
• Come vengono misurate le prestazioni e il rischio dell'AI
• Quali sono i ruoli più esposti al cambiamento basato sull'AI
• Quali workflow sono candidati per automazione o aumento
• Quali strumenti vengono già utilizzati dai dipendenti
• Se i dipendenti comprendono la privacy dei dati e la sicurezza
• Dove si concentra la competenza tecnica
• Se i manager possono supportare il cambiamento abilitato dall'AI
• Quali lavoratori hanno bisogno di aggiornamento o riqualifica professionale

Questo aiuta le organizzazioni a evitare formazioni generiche che non corrispondono alle loro reali esigenze.

Per sviluppare l'alfabetizzazione AI, le organizzazioni possono iniziare con un'ampia formazione sui fondamenti dell'AI, sull'AI generativa, sugli LLM, sull'automazione e sugli agenti AI. Questi programmi creano una base condivisa per l'uso sicuro ed efficace degli strumenti di AI.

Ruoli diversi richiedono diversi livelli di sviluppo delle competenze. Un servizio clienti potrebbe aver bisogno di formazione sui workflow di supporto assistiti dall'AI. Un team di sviluppo software potrebbe aver bisogno di formazione su strumenti di codifica AI generativa, recensioni sicure del codice e automazione dei test. I percorsi di apprendimento specifici per ruolo possono rendere il miglioramento delle competenze più pratico e pertinente.

I dipendenti hanno maggiori probabilità di sviluppare competenze di AI durature quando la formazione è collegata al loro lavoro effettivo. Ciò può includere ambienti sandbox, esercitazioni guidate, workshop tra pari, orari di ufficio, comunità interne di pratica e progetti pratici.

Alcuni dipendenti avranno bisogno di riqualificazione, non solo di aggiornamento delle competenze. La riqualificazione prepara i lavoratori a diversi ruoli, poiché i compiti vengono automatizzati, riorganizzati o integrati dall'AI. Questa formazione può aiutare i dipendenti a spostare in nuovi ruoli.

I manager e i leader funzionali aiutano i dipendenti a comprendere le aspettative riguardo all'uso dell'AI. Possono aiutare a identificare workflow utili, trovare tempo per l'apprendimento e valutare come dovrebbe essere misurato il lavoro supportato dall'AI. Hanno anche bisogno di un'alfabetizzazione AI sufficiente per prendere decisioni su strategia, rischio, personale e investimenti.

Le organizzazioni devono adattare lo sviluppo delle competenze AI ai loro obiettivi. I programmi di alfabetizzazione AI possono includere accademie interne, certificazioni e percorsi di apprendimento guidato. I team tecnici potrebbero aver bisogno di piattaforme per lo sviluppo, la distribuzione, il monitoraggio e la governance del modello. I team che adottano agenti AI potrebbero aver bisogno di strumenti di orchestrazione per gestire i workflow, le approvazioni e le prestazioni. I team software potrebbero trarre beneficio dagli assistenti di programmazione con AI coding. Gli strumenti più utili sono in linea con casi d'uso chiari, esigenze della forza lavoro e pratiche di AI responsabile.

Le organizzazioni possono anche valutare l'utilizzo di strumenti low-code e no-code, laddove appropriato. Le piattaforme a uso limitato di codice e no-code possono rendere gli strumenti di AI più accessibili ai dipendenti senza una vasta esperienza. Queste piattaforme consentono agli utenti business di creare applicazioni, automatizzare workflow o configurare agenti AI tramite interfacce visive e componenti predefiniti. Non eliminano la necessità di competenze tecniche, governance o supervisione, ma possono aiutare più dipendenti a partecipare all'adozione dell'AI mentre i team tecnici si concentrano su lavori complessi di sviluppo e Integrazione.

Le organizzazioni possono misurare lo sviluppo delle competenze AI attraverso metriche di apprendimento e metriche di business. Le metriche di apprendimento possono includere il completamento dei corsi o le certificazioni. Le metriche aziendali possono includere produttività, qualità, soddisfazione del cliente o riduzione degli errori.

Il divario di competenze di AI continuerà a evolversi man mano che i sistemi di AI diventeranno più capaci e più integrati nel lavoro. Le competenze che oggi sono preziose potrebbero dover essere aggiornate man mano che strumenti, regolamenti, workflow e aspettative aziendali cambiano.

Ciò rende i programmi di formazione continua una parte importante della preparazione della forza lavoro. Le organizzazioni potrebbero dover aggiornare regolarmente i materiali di formazione, rivedere le politiche di governance, rivalutare le esigenze di competenze e rivedere i percorsi di sviluppo professionale. I dipendenti hanno bisogno di opportunità continue per esercitarsi con nuovi strumenti, fare domande e sviluppare fiducia nel tempo.

Le strategie per colmare il divario di competenze di AI richiedono molto più della semplice assunzione di talenti tecnici. Le organizzazioni hanno bisogno di alfabetizzazione AI, formazione basata sui ruoli, pratiche di AI responsabile e apprendimento continuo in tutta la forza lavoro. E devono collegare efficacemente tali competenze agli obiettivi aziendali generali.