Consulenza intelligenza artificiale: perché senza formazione fallisce

Il 16,4% delle imprese italiane con almeno 10 addetti usa già almeno una tecnologia AI, contro l'8,2% del 2024 e il 5% del 2023 (ISTAT, dati citati da Gruppo RES). La crescita c'è, ed è rapida. Ma un altro dato racconta una storia diversa: secondo la ricerca AI Leadership Readiness 2025 di altermAInd, solo il 6% delle aziende italiane può essere considerato davvero "AI-driven", mentre il 42% resta in una categoria "tradizionale", senza una strategia di implementazione chiara.

Tra questi due numeri si nasconde il vero problema che la consulenza intelligenza artificiale dovrebbe risolvere. Non è la scarsità di strumenti: ChatGPT, Copilot, Gemini e decine di altri sono a disposizione di chiunque, spesso gratuitamente. Il problema è che un'azienda su dieci compra o attiva uno strumento AI senza sapere esattamente cosa deve migliorare, chi lo userà e come misurare se ha funzionato.

Questo articolo guarda al pezzo che spesso viene saltato: la formazione del team. Non come corollario del progetto, ma come condizione perché il progetto esista davvero.

Cosa fa davvero un consulente AI (e cosa non fa)

Una consulenza intelligenza artificiale non è installare ChatGPT in azienda né suggerire quale tool provare. Il lavoro parte dalla mappatura dei processi aziendali e dalla valutazione della qualità e disponibilità dei dati, elementi che condizionano qualsiasi applicazione AI a valle. Solo dopo questa fase ha senso parlare di quali strumenti usare.

Se l'azienda ha già un team tecnico, il consulente lo affianca e lo guida nell'implementazione. Se non ha competenze specifiche, il consulente si occupa dell'intero percorso, assicurando un'adozione graduale. In entrambi i casi il punto di arrivo non è "avere l'AI", ma avere processi che funzionano meglio grazie all'AI, con benefici misurabili tramite KPI e benchmark periodici.

Un errore diffuso è pensare che basti conoscere gli algoritmi. Serve invece esperienza su casi reali: chi ha già gestito progetti concreti sa quali ostacoli emergono — dati sporchi, resistenze interne, aspettative gonfiate — e come affrontarli prima che blocchino il progetto.

Il paradosso italiano: tanta adozione, poca strategia

I numeri italiani meritano di essere letti con attenzione perché raccontano due velocità diverse. Da un lato l'EY Italy AI Barometer 2025 registra un salto dal 12% al 46% di professionisti che usano l'AI nel lavoro quotidiano in un solo anno, spinto soprattutto dal top management: il 59% dei manager ha aumentato l'uso dell'AI, contro il 39% dei dipendenti. Dall'altro lato questo utilizzo resta perlopiù tattico, orientato all'efficienza individuale — scrivere una mail più in fretta, riassumere un documento — e non alla trasformazione dei processi.

È la differenza tra adozione e maturità. Un altro dato la conferma: tra i lavoratori delle imprese italiane medio-grandi analizzate dalla ricerca ITIR dell'Università di Pavia, il 91,2% dei top manager dichiara di usare l'AI, ma solo il 59,8% dei lavoratori nel complesso lo fa. L'AI entra dall'alto, spesso senza un percorso strutturato che coinvolga il resto dell'organizzazione.

Questo squilibrio non è solo italiano ma qui pesa più che altrove: la limitata disponibilità di risorse e competenze interne, insieme a una maggiore cautela imprenditoriale (il 59% degli AD italiani prevede una trasformazione del proprio modello di business grazie all'AI, contro l'89% dei CEO globali di aziende che hanno già adottato AI generativa), rallenta il passaggio dalla sperimentazione alla strategia.

Perché i progetti AI si fermano al pilota

Gartner stima che oltre il 50% delle iniziative AI non arrivi mai in produzione. Le cause ricorrenti non sono tecniche ma organizzative: obiettivi vaghi, dati di scarsa qualità, e soprattutto la sottovalutazione del cambiamento culturale e della formazione necessaria per far adottare lo strumento a chi dovrà usarlo ogni giorno.

Un secondo errore frequente è l'estremo opposto: appoggiarsi solo a fornitori esterni senza costruire competenze interne. Il risultato è una dipendenza tecnologica che impedisce all'azienda di comprendere, gestire e adattare le soluzioni AI nel tempo. La strategia più solida è un mix: consulenza esterna per avviare il progetto, crescita graduale delle competenze interne per garantire autonomia.

Vale anche la pena ricordare un limite tecnico: i modelli linguistici generano risposte basate su schemi statistici, non su verifica dei fatti. Possono produrre affermazioni che sembrano corrette e non lo sono, come dimostrano test condotti in ambito ingegneristico su specifiche tecniche di componenti elettronici. Questo non è un motivo per rinunciare all'AI, ma per non considerarla mai priva di supervisione umana, soprattutto nei processi decisionali che contano.

La formazione come infrastruttura, non come corso spot

I percorsi di formazione AI aziendale più solidi seguono una sequenza precisa. Si parte da un assessment che mappa competenze individuali, adozione informale di strumenti e resistenze culturali già presenti in azienda: senza questa fotografia iniziale, qualsiasi corso rischia di partire dal punto sbagliato. Segue una sessione dedicata a management e C-suite, breve ma mirata ad allineare la direzione su opportunità, KPI e governance — perché se il vertice non capisce cosa misurare, non può guidare il resto del team.

Il cuore del percorso è la formazione pratica per funzione: ogni reparto lavora su casi reali della propria azienda, non su esercizi generici. Un errore comune qui è legare la formazione a un solo strumento. Il mercato AI cambia rapidamente e un team addestrato solo su un tool diventa dipendente da quel fornitore. Un approccio che copre più piattaforme lascia all'azienda margine di scelta quando gli strumenti evolvono.

Chiude il percorso una policy interna che stabilisce cosa si può condividere con l'AI, come verificare le informazioni prodotte e come riconoscere output imprecisi — un passaggio richiesto anche dalla normativa (AI Act e GDPR) e che le linee guida ministeriali italiane citano esplicitamente tra le azioni replicabili dalle imprese: mappare i sistemi AI usati, nominare un referente interno, formare e informare i lavoratori coinvolgendoli nella co-progettazione.

Dalla formazione all'operatività: cosa cambia quando funziona

Una roadmap di adozione realistica per una PMI segue pochi passaggi lineari: regole chiare su cosa si può fare e con quali limiti, formazione pratica di poche ore su casi reali, adozione individuale sulle attività quotidiane, poi adozione di team con standard e modelli condivisi, infine miglioramento continuo misurando i benefici. Non servono investimenti enormi, ma costanza.

Quando questo percorso è completato, l'azienda può iniziare a spostarsi da un uso individuale dell'AI verso automazioni che lavorano dentro i processi reali, per esempio tramite agenti AI che eseguono compiti operativi in autonomia, o chatbot addestrati sui dati aziendali per gestire il primo contatto con i clienti. Il caso di Allure Nails mostra cosa succede quando un agente AI viene integrato nel backend di un e-commerce con reportistica automatica: +500% di vendite in tre mesi, ma solo dopo aver costruito l'infrastruttura di dati e processi necessaria a sostenerlo.

È un punto che le fonti confermano in modo netto: l'adozione dell'AI non si esaurisce con l'installazione di un tool. È un processo che deve crescere insieme al business, con supervisione costante, feedback e correzioni periodiche.

I dati italiani dicono due cose insieme: l'AI entra nelle aziende più in fretta che mai, ma senza formazione e senza una strategia chiara resta uno strumento usato a metà, o non usato affatto. Se stai valutando come far partire davvero l'AI nel tuo team, una consulenza e formazione AI mirata è il punto da cui iniziare prima di scegliere qualsiasi strumento.