Sono diventate applicabili le prime disposizioni del Regolamento UE 2024/1689 (AI Act), tra cui l’articolo 4, che chiede alle organizzazioni di garantire al personale un livello sufficiente di alfabetizzazione sull’intelligenza artificiale il 2 febbraio 2025. Dell’obbligo normativo e delle sue implicazioni per le imprese questo blog si è già occupato in dettaglio, e a quella trattazione si rinvia. Qui la domanda è un’altra, e viene prima della norma: che cosa deve sapere, in concreto, chi non è tecnico? Quali conoscenze compongono davvero la cosiddetta AI literacy per un avvocato, un responsabile amministrativo, un medico, un funzionario pubblico? La risposta è meno ovvia di quanto sembri, perché il mercato della formazione oscilla tra due estremi ugualmente sbagliati: corsi che insegnano a programmare a chi non ne avrà mai bisogno, e corsi che insegnano a “scrivere prompt magici” senza spiegare nulla di ciò che sta sotto.
La patente, non il motore
Il paragone più utile è quello con la guida. Per guidare un’automobile in sicurezza non serve conoscere il ciclo termodinamico del motore né saper smontare un cambio. Serve altro: sapere che in curva non si sorpassa, che la distanza di frenata cresce con la velocità, che con la nebbia si rallenta, che l’alcol e il volante non stanno insieme. La patente non attesta competenza meccanica. Attesta la comprensione dei limiti del mezzo e delle regole d’uso.
L’alfabetizzazione AI per i non tecnici funziona allo stesso modo.
Non serve saper addestrare un modello, né conoscere l’algebra che ci sta dietro. Serve capire come si comporta lo strumento, dove tende a sbagliare, quali usi sono vietati o rischiosi e come si controlla il risultato prima di usarlo. È un corpo di conoscenze compatto, acquisibile in settimane, che cambia in modo misurabile la qualità e la sicurezza dell’uso quotidiano. E come per la patente, la differenza tra chi ce l’ha e chi improvvisa non si vede nelle giornate tranquille: si vede quando qualcosa va storto.
Vale anche la definizione in negativo. L’alfabetizzazione AI non è la raccolta di trucchi per formulare richieste, che invecchiano a ogni aggiornamento dei modelli e spesso non sopravvivono nemmeno al passaggio da uno strumento all’altro. Non è programmazione, che resta un mestiere. E non è nemmeno cultura generale sull’intelligenza artificiale, la storia della disciplina o il dibattito sulle sue prospettive: interessante, ma non aiuta a decidere se il riassunto appena generato sia affidabile. È una competenza operativa, con un contenuto preciso, ed è quel contenuto che le prossime sezioni mettono in fila.
Il minimo tecnico indispensabile: token, contesto, probabilità
Tre concetti tecnici bastano a orientare quasi tutte le decisioni d’uso, e nessuno dei tre richiede matematica.
Il primo: un modello linguistico non ragiona per parole ma per token, frammenti di testo, e genera la risposta calcolando di volta in volta il frammento successivo più probabile sulla base di quanto ha visto durante l’addestramento. Non consulta un archivio di fatti, non verifica ciò che scrive, non sa di sapere o di non sapere. Produce il testo statisticamente più plausibile data la richiesta. Questa singola frase, ben compresa, spiega da sola la maggior parte dei comportamenti che sorprendono gli utenti: la sicurezza espositiva immotivata, gli errori su dettagli banali, le risposte diverse alla stessa domanda.
Il secondo: il contesto è finito. Ogni modello lavora dentro una finestra di attenzione che comprende la conversazione e i documenti forniti; ciò che ne esce, per lunghezza o per distanza, smette di influenzare le risposte. Chi carica un documento di duecento pagine e si stupisce che il sistema trascuri il capitolo dodici non ha incontrato un difetto: ha incontrato un limite strutturale che occorre conoscere per organizzarci il lavoro attorno.
Il terzo: la generazione è probabilistica, quindi variabile. Lo stesso identico prompt può produrre risposte diverse in momenti diversi. Per un uso creativo è una risorsa. Per un uso documentale o di calcolo è un’insidia, perché il controllo fatto ieri non garantisce l’output di oggi.
A questi tre se ne aggiunge un quarto, più prosaico: la conoscenza del modello si ferma alla data del suo addestramento, salvo che lo strumento non integri una ricerca esterna. Chiedere a un sistema informazioni su eventi recenti senza sapere se e come accede a fonti aggiornate significa confondere due prodotti diversi che abitano la stessa interfaccia. L’utente alfabetizzato sa distinguere quando il sistema attinge alla propria memoria statistica e quando sta citando documenti reali, e regola la fiducia di conseguenza.
Chi padroneggia questi concetti smette di trattare il sistema come un oracolo e comincia a trattarlo come uno strumento con specifiche note. È il salto che conta.
Le allucinazioni non sono guasti: sono il funzionamento normale
La parola “allucinazione” suggerisce un malfunzionamento raro, un’eccezione patologica. È una metafora fuorviante. Quando un modello inventa una sentenza inesistente, una statistica mai pubblicata o un riferimento bibliografico plausibile ma falso, non sta rompendo le proprie regole di funzionamento: le sta seguendo. Sta facendo esattamente ciò per cui è costruito, cioè generare il testo più plausibile, in un caso in cui la plausibilità e la verità non coincidono.
La conseguenza pratica è netta. Non esiste un livello di qualità del modello oltre il quale la verifica diventa superflua: i sistemi migliorano, gli errori si diradano, ma il meccanismo che li produce resta. E c’è un effetto collaterale insidioso del miglioramento: più le risposte sono mediamente affidabili, più cala la vigilanza di chi le legge, e più l’errore residuo diventa pericoloso perché arriva quando nessuno lo aspetta.
Fidarsi va bene per la sintassi. Per i fatti, mai senza controllo.
Saper valutare un output: il gesto professionale che nessuno insegna
La competenza distintiva dell’utente alfabetizzato non è scrivere prompt sofisticati. È valutare ciò che torna indietro, con un metodo che si può descrivere in quattro controlli.
Primo controllo: i fatti. Ogni nome proprio, data, cifra, citazione e riferimento normativo contenuto nell’output va considerato non verificato fino a prova contraria, e controllato su una fonte indipendente se finisce in un documento che conta. Secondo: le omissioni. Un riassunto può essere fedele in ogni frase e ingannevole nell’insieme, perché ha lasciato fuori la clausola decisiva; la domanda giusta non è “quello che c’è è corretto?” ma “manca qualcosa che cambierebbe la mia decisione?”. Terzo: la competenza di dominio. L’output va confrontato con ciò che il professionista sa già del proprio campo, perché il modello non conosce l’azienda, il cliente, il contesto specifico, e riempie i vuoti con generalizzazioni ben scritte. Quarto: la responsabilità. Qualunque cosa esca dal sistema, la firma in calce al documento resta di chi lo usa; nessun contratto, parere o diagnosi diventa “del modello” per il solo fatto di essere stato generato.
Un esempio concreto rende l’idea. Un responsabile amministrativo chiede al sistema di riassumere le novità di una circolare fiscale. La risposta arriva ordinata, con scadenze e aliquote. Il controllo dei fatti impone di verificare le due cifre chiave sul testo originale; il controllo delle omissioni impone di scorrere la circolare per accertarsi che non ci sia un regime transitorio taciuto; la competenza di dominio gli fa notare che una delle scadenze cade di domenica, dettaglio sospetto; la responsabilità gli ricorda che, se la sintesi finisce al direttore, l’eventuale errore sarà suo. Dieci minuti in tutto. Senza il metodo, gli stessi dieci minuti si trasformano in una svista che costa una sanzione.
Quattro controlli, trenta secondi ciascuno nei casi semplici. È la differenza tra usare uno strumento e delegargli il proprio giudizio.
I limiti legali d’uso che ogni non tecnico deve conoscere
La parte giuridica dell’alfabetizzazione non richiede un corso di diritto. Richiede la consapevolezza di quattro confini.
Il primo riguarda i dati personali: incollare in un servizio AI informazioni riferite a persone identificabili, clienti, colleghi, pazienti, è un trattamento di dati ai sensi del GDPR, con tutto ciò che ne consegue in termini di base giuridica e di responsabilità del datore di lavoro. Il secondo riguarda la riservatezza: documenti aziendali, contratti, informazioni coperte da accordi di segretezza non vanno caricati su strumenti non approvati dall’organizzazione, perché il transito stesso fuori dal perimetro autorizzato può costituire violazione. Il terzo riguarda la proprietà intellettuale: gli output generati possono riprodurre materiale protetto e la loro tutelabilità come opere è questione aperta, quindi prudenza sia nel riuso di ciò che il sistema produce sia nella pubblicazione. Il quarto riguarda le decisioni sulle persone: usare l’AI per selezionare, valutare o profilare individui attiva obblighi specifici, e in molti casi ricade nelle categorie a rischio più alto previste dall’AI Act.
Non serve memorizzare gli articoli. Serve riconoscere le situazioni in cui fermarsi e chiedere, che è esattamente ciò che l’automobilista prudente fa davanti a un segnale che non conosce.
Distinguere i casi d’uso sensati, che è poi la competenza che resta
L’ultimo tassello dell’alfabetizzazione è il discernimento sui compiti. I sistemi generativi rendono al meglio dove l’errore è visibile e il costo della verifica è basso: bozze da rifinire, riformulazioni, traduzioni di lavoro, sintesi preparatorie, esplorazione di idee, codice di supporto che un tecnico controllerà. Rendono male, o diventano pericolosi, dove l’errore è invisibile e il costo alto: fatti puntuali non verificabili al volo, calcoli complessi, pareri legali o medici usati senza revisione professionale, qualunque compito in cui l’utente non saprebbe riconoscere una risposta sbagliata.
La regola di sintesi è semplice: lo strumento si usa nei compiti in cui si è in grado di correggere il risultato, non in quelli in cui lo si deve accettare a scatola chiusa.
Il discernimento, peraltro, non è uguale per tutti i ruoli. Per chi lavora in amministrazione i punti caldi sono i numeri e le scadenze; per chi scrive contratti, le clausole omesse; per chi gestisce persone, i vincoli su valutazioni e profilazione; per chi parla con i clienti, il tono e le promesse implicite che un testo generato può contenere. Un buon programma di alfabetizzazione declina gli stessi principi sui materiali reali di ciascuna funzione, perché la competenza si fissa quando l’esempio somiglia alla propria scrivania.
Tutto questo si impara, e si impara in fretta se il programma è costruito per non tecnici. AIPIA ha disegnato con questa logica il corso AI Base con Credenziale Europea, che copre esattamente i contenuti descritti in questo articolo e si chiude con una verifica e con il rilascio di una Credenziale Digitale Europea (EDC) verificabile con sigillo eIDAS; per chi vuole proseguire oltre il livello di base, i percorsi formativi AI articolano la progressione per livelli e per ruoli. La credenziale, va detto con chiarezza, attesta un’alfabetizzazione verificata: non trasforma nessuno in un tecnico, né pretende di farlo.
C’è un’ultima considerazione che rimette le proporzioni al loro posto. Il 47 per cento dei lavoratori italiani usa già strumenti AI in azienda, secondo l’Osservatorio del Politecnico di Milano: l’alfabetizzazione non è la preparazione a un futuro possibile, è la messa in sicurezza di un presente già in corso. La patente, di solito, si prende prima di mettersi al volante. Qui milioni di persone stanno già guidando. Il minimo è spiegare loro come funzionano i freni.
