L’AI entra in una fase nella quale può vedersi assegnato un obiettivo, scomporlo in attività, consultare fonti e applicazioni, scegliere una sequenza di azioni e portarla avanti con un grado variabile di autonomia. Per le direzioni IT, il salto è rilevante: quando il software comincia ad agire, la preparazione delle persone deve comprendere anche la qualità delle decisioni, i confini operativi e la gestione delle conseguenze.
Il cambiamento investe sviluppatori, architect, specialisti di cybersecurity, responsabili di prodotto e addetti alle operations. Le capacità tecniche restano centrali, ma si combinano con conoscenza dei processi aziendali, valutazione dei risultati, governo degli accessi e comprensione dei rischi.
L’obiettivo dell’upskilling diventa così più ampio: mettere l’organizzazione IT nelle condizioni di progettare, controllare e migliorare una forza lavoro digitale che opera attraverso dati, API e applicazioni.
Perché l’AI agentica richiede un modello formativo diverso
Un assistente che propone un testo o una porzione di codice produce un risultato che una persona può esaminare prima di utilizzarlo. Un agente collegato ai sistemi aziendali può invece aggiornare una pratica, interrogare un database, aprire un ticket, inviare una comunicazione o avviare un flusso. Crescono quindi sia l’utilità potenziale sia la superficie sulla quale un errore può propagarsi.
Da qui nasce la necessità di passare dai corsi centrati sullo strumento a percorsi costruiti sul ciclo di vita del lavoro affidato all’AI. Occorre saper formulare obiettivi e vincoli, selezionare dati e fonti, assegnare autorizzazioni, predisporre controlli, misurare le prestazioni e intervenire quando il comportamento devia dalle attese. La padronanza di un’interfaccia conserva valore, ma diventa una componente di un sistema professionale più articolato.
Dalla conoscenza dell’AI alla comprensione del business
La prima capacità da sviluppare riguarda la scelta dei problemi. Un professionista IT deve riconoscere quali attività presentano obiettivi chiari, dati disponibili, esiti misurabili e conseguenze gestibili. Deve inoltre distinguere una procedura che può essere affidata a un agente da un processo nel quale l’ambiguità, la sensibilità delle informazioni o l’impatto delle decisioni richiedono un controllo umano più stretto.
Questa valutazione richiede familiarità con il funzionamento dell’impresa. Chi progetta un flusso agentico deve comprendere passaggi, eccezioni, dipendenze, tempi di attesa e criteri con cui il business giudica il risultato. La competenza distintiva consiste nel tradurre un obiettivo aziendale in istruzioni, strumenti disponibili, regole di escalation e indicatori verificabili. Architettura e design del processo si avvicinano così al product management.
L’alfabetizzazione AI va differenziata per ruolo. Un dirigente deve saper valutare opportunità, costi e responsabilità; un product owner deve definire risultati e soglie di accettazione; uno sviluppatore deve conoscere limiti dei modelli, orchestrazione e test; chi opera nella sicurezza deve esaminare identità, privilegi, tracciabilità e possibili abusi. Lo stesso corso introduttivo per tutti crea un vocabolario comune, ma difficilmente prepara persone con compiti tanto diversi.
Il tema ha anche una dimensione normativa. Le indicazioni della Commissione europea sull’AI literacy collegano l’articolo 4 dell’AI Act alle conoscenze, all’esperienza e alla formazione di chi utilizza sistemi di intelligenza artificiale per conto di provider e deployer. La Commissione invita a considerare il ruolo dell’organizzazione, i rischi del sistema, il contesto d’uso e le persone interessate. La formazione basata sul rischio diventa quindi parte del governo dell’AI, con contenuti più approfonditi per gli impieghi che possono incidere su diritti, sicurezza o attività essenziali.
Dati e conoscenza aziendale diventano una disciplina operativa
Un agente produce risultati affidabili quando riceve il contesto necessario e può accedere a informazioni aggiornate, pertinenti e autorizzate. La qualità del modello rappresenta soltanto una parte dell’equazione. Documenti contraddittori, tassonomie incoerenti, basi dati prive di ownership e permessi troppo estesi possono compromettere un flusso anche quando la tecnologia sottostante funziona correttamente.
Per questo l’upskilling deve includere data governance, data engineering e knowledge management. I professionisti IT devono imparare a individuare le fonti autorevoli, definire metadati e responsabilità, gestire versioni e scadenze dei contenuti, controllare la provenienza delle informazioni e progettare modalità di recupero adatte al caso d’uso.
La cosiddetta context engineering amplia il lavoro sul prompt: comprende la selezione dinamica di documenti, memoria, stato del processo, strumenti e regole che orientano l’agente.
La crescita da pochi prototipi a molti flussi operativi rende indispensabile anche un inventario. Per ciascun sistema occorre conoscere proprietario, finalità, modello utilizzato, dati accessibili, integrazioni, livello di autonomia e meccanismo di arresto. Questa mappa permette di aggiornare le autorizzazioni quando cambia un ruolo, sostituire un modello, ricostruire un incidente e ritirare in sicurezza una soluzione superata.
Il NIST AI Risk Management Framework: Generative AI Profile raccomanda di registrare negli inventari la provenienza dei dati, i problemi conosciuti, i modelli e le relative versioni, le modalità di accesso e le responsabilità di supervisione umana. Il documento suggerisce inoltre di confrontare i risultati con dati di riferimento affidabili e di combinare valutazioni automatiche e controllo umano. Sono attività che richiedono professionalità capaci di unire gestione dell’informazione, conoscenza del dominio e risk management.
Valutare gli agenti prima e dopo il rilascio
Con l’AI tradizionale, la verifica tende spesso a concentrarsi sulla qualità dell’output. Nei sistemi agentici bisogna esaminare anche il percorso: quali fonti sono state consultate, quali strumenti sono stati chiamati, quali autorizzazioni sono state usate e come il sistema ha reagito a un’eccezione. Due esiti apparentemente corretti possono derivare da sequenze molto diverse, una delle quali può essere fragile o incompatibile con le policy aziendali.
Le competenze di qualità si estendono quindi alla progettazione di scenari, dataset di prova e metriche. Accuratezza e percentuale di completamento vanno affiancate da indicatori come violazioni dei vincoli, interventi umani, errori nell’uso degli strumenti, tempi, costi e stabilità nel tempo. Servono test su casi ordinari, eccezioni e tentativi deliberati di indurre comportamenti indesiderati. Il NIST richiama processi di test, valutazione, verifica e validazione lungo il ciclo di vita, oltre al red teaming per individuare vulnerabilità quali prompt injection, estrazione del modello e diffusione di informazioni riservate.
La verifica diventa una funzione continua e interdisciplinare, perché il comportamento può cambiare dopo l’aggiornamento di un modello, di una base documentale o di un’applicazione collegata. Un centro di competenza sulla qualità dell’AI può definire metodi, strumenti e soglie comuni, mentre la responsabilità del risultato resta vicina al processo aziendale. Gli esperti di dominio sono essenziali per riconoscere errori plausibili…
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
Redazione ZeroUno
Source link
