Il vero problema dell’intelligenza artificiale in azienda non è tecnologico

Ho letto The Psychology of AI Adoption at Work, il libro che Gleb Tsipursky ha dedicato alla psicologia dell’adozione dell’intelligenza artificiale generativa nelle organizzazioni, e c’è una frase che mi è rimasta addosso più di tutte le altre: possedere una tecnologia non significa averla adottata. Sembra ovvio. Non lo è per niente.

Quando si parla di AI in azienda, la conversazione parte quasi sempre dalla tecnologia. Quale modello scegliere, ChatGPT o Claude. Meglio Copilot. Come integrarlo nei sistemi interni. Quanto costa. I dati sono al sicuro.

Sono domande legittime. Ma rischiano di far perdere di vista quello che succede davvero dentro un’azienda quando arriva l’intelligenza artificiale, ed è qualcosa che io vedo in prima persona ogni volta che entro in un’aula per fare formazione: non è mai davvero una questione di strumenti. È una questione di persone che si sentono minacciate, confuse, o semplicemente non ascoltate.

Comprare le licenze non basta

È probabilmente l’errore più comune, e l’ho visto ripetersi identico in contesti molto diversi tra loro. L’azienda compra le licenze. Organizza due ore di formazione. Manda una comunicazione interna che spiega che da quel momento si può usare l’intelligenza artificiale. E considera il progetto concluso.

Ma tra rendere disponibile uno strumento e cambiare davvero il modo in cui le persone lavorano c’è una distanza enorme, e quella distanza ha un nome preciso: fiducia.

Pensiamo a qualcosa di molto concreto. Una persona che da quindici anni prepara un certo report con Excel conosce perfettamente il proprio metodo. Sa dove trovare i dati, quali controlli fare, quali errori può commettere. E soprattutto si sente competente, il che non è un dettaglio: è la base della sua identità professionale.

Poi arriva un sistema che promette di fare in cinque minuti quello che lei fa in due ore.

Dal punto di vista dell’azienda, è efficienza. Dal punto di vista della persona, la domanda che si affaccia è tutt’altra: se questa cosa fa in cinque minuti quello che io faccio in due ore, quale sarà il mio valore tra qualche anno?

La paura non è irrazionale

Tsipursky la chiama automation anxiety, l’ansia generata dalla possibilità che l’automazione renda meno necessario il lavoro umano. Ma non è solo paura di perdere il posto. È qualcosa di più radicato.

Costruiamo negli anni competenze, esperienza, reputazione. Quando una tecnologia comincia a fare cose che fino a poco prima consideravamo profondamente umane, scrivere, progettare, programmare, analizzare, persino essere creativi, quella sicurezza viene messa in discussione in un modo che le automazioni precedenti non avevano mai toccato. Le vecchie macchine sostituivano gesti ripetitivi. Questa entra in territori che pensavamo ci appartenessero per natura.

C’è poi un meccanismo psicologico preciso dietro questa reazione, la loss aversion: tendiamo a percepire una perdita possibile in modo molto più intenso di un guadagno equivalente. Il vantaggio di risparmiare due ore grazie all’AI pesa meno, nella testa di una persona, della paura, anche solo immaginata, che quella stessa tecnologia la renda meno importante.

A questo si aggiunge lo status quo bias: preferiamo ciò che conosciamo, anche quando non è la soluzione migliore, perché cambiare significa tornare temporaneamente principianti. Bisogna commettere errori, chiedere aiuto, ammettere di non sapere. E per chi ha costruito vent’anni di carriera su un metodo, questo può sembrare una minaccia diretta alla propria competenza, non un’opportunità.

Il problema, quindi, spesso non è che una persona “non capisce la tecnologia”. È che non vuole tornare nella posizione di chi deve imparare tutto da capo.

Il nodo della fiducia

C’è poi una seconda questione, altrettanto seria: possiamo davvero fidarci dell’AI? I dati Edelman citati nel libro dicono che la fiducia globale nelle aziende legate all’intelligenza artificiale è scesa dal 62% del 2019 al 54% del 2024. Negli Stati Uniti il calo è ancora più marcato, dal 50% al 35%.

Non è difficile capire perché. Abbiamo visto sistemi generativi inventare informazioni, produrre citazioni inesistenti, presentare contenuti autorevoli ma completamente sbagliati. E c’è un problema strutturale dietro tutto questo: quando un collega ci propone una soluzione, possiamo chiedergli come ci è arrivato. Con molti sistemi di AI vediamo solo il risultato. È il problema della black box, l’impossibilità di ricostruire il ragionamento.

Se quell’output contraddice l’esperienza di chi fa quel lavoro da vent’anni, la reazione “perché dovrei fidarmi della macchina invece che di me stesso” non è pigrizia mentale. È una domanda legittima, e le aziende che la trattano come un capriccio da correggere con una circolare stanno sbagliando approccio.

La fiducia non si impone. Si costruisce, un risultato alla volta.

L’errore che vedo più spesso

C’è anche un fenomeno che trovo particolarmente interessante, ed è il confirmation bias applicato all’intelligenza artificiale.

Quando un software tradizionale ha un problema, pensiamo che abbia un bug. Quando una persona scettica trova un errore in un output AI, tende a leggerlo come prova che l’intera tecnologia non funziona. Chi la considera rivoluzionaria ricorderà soprattutto i risultati sorprendenti. Chi la considera pericolosa ricorderà soprattutto gli errori. Entrambe le posizioni sono comode, ed entrambe impediscono di vedere la cosa più utile: che l’AI ha capacità reali e limiti reali, e serve la maturità per tenerli insieme senza fare ideologia.

I numeri, quando ci sono, raccontano un’altra storia

Le paure che ho descritto non significano che i benefici siano immaginari. Tutt’altro.

Uno degli studi più citati nel libro, Generative AI at Work di Brynjolfsson, Li e Raymond, ha analizzato oltre 5.000 operatori di customer support che usavano uno strumento AI generativo. La produttività media è cresciuta del 14%. Ma il dato che trovo davvero significativo è un altro: i lavoratori meno esperti hanno ottenuto miglioramenti superiori al 30%.

In pratica, l’AI in quel contesto non ha sostituito competenza umana. Ha trasferito più velocemente la conoscenza dei lavoratori esperti verso chi ne aveva meno. Non automazione. Amplificazione.

Ed è esattamente il punto che ripeto quando faccio formazione: lo strumento non sostituisce il criterio di chi lo usa, lo estende. Ma solo se qualcuno ha spiegato perché lo si sta usando.

Introdurre uno strumento senza spiegare il perché è l’errore più costoso

Il management decide, l’IT implementa, i dipendenti ricevono lo strumento. Nessuno spiega davvero il progetto.

E quando manca una visione chiara, le persone riempiono quel vuoto da sole, quasi sempre con interpretazioni negative. Vogliono ridurre il personale. Ci stanno controllando. Tra un anno questo lavoro non esisterà più. È solo l’ennesima moda.

Tsipursky insiste su un punto che condivido pienamente: serve comunicazione trasparente, formazione vera, sperimentazione, piccoli progetti pilota. Non basta spiegare come si usa un modello. Bisogna spiegare perché lo si sta usando, e cosa cambia davvero per chi lavora ogni giorno con quel processo.

Partire dal problema, non dalla trasformazione

L’idea più sensata del libro è anche una delle più semplici: non partire dalla trasformazione dell’intera azienda, ma da un problema concreto.

Una riunione che richiede mezz’ora per essere verbalizzata. Un report ripetitivo. Decine di email simili. Una ricerca interna che porta via troppo tempo.

Si prende quel processo, si introduce l’AI, si misura il risultato. Se una persona scopre di poter risparmiare un’ora al giorno su un’attività che detesta, non serve convincerla con una presentazione sull’innovazione. Ha già sperimentato il valore sulla propria pelle, ed è l’unico tipo di prova che davvero funziona.

La formazione vera non finisce con i prompt

Qui arrivo a un punto che considero cruciale, e che nella mia esperienza in aula vedo trattato quasi sempre male.

Quando un’azienda parla di formazione sull’AI, pensa quasi automaticamente a un corso su come scrivere un prompt, caricare un documento, chiedere una sintesi. Sono competenze utili, ma restano superficie.

La vera alfabetizzazione dovrebbe insegnare, con altrettanta attenzione, quando non fidarsi dell’AI. Come verificare un’informazione. Come riconoscere un’allucinazione. Come proteggere i dati aziendali. Quale modello serve per quale compito. Dove resta necessaria, e non negoziabile, la responsabilità umana.

L’obiettivo non è creare persone capaci di usare ChatGPT. È formare professionisti capaci di lavorare meglio grazie all’intelligenza artificiale, mantenendo intatto il proprio giudizio. È una differenza enorme, e la maggior parte dei percorsi formativi che vedo in giro la ignora completamente.

Il cambiamento parte sempre dalle persone

Possiamo discutere di modelli sempre più avanzati, di agenti autonomi, delle prossime generazioni di AI. Ma ogni trasformazione aziendale continua ad avere una variabile ostinatamente analogica: le persone.

Sono loro a decidere se usare davvero uno strumento. Sono loro a doverlo correggere, integrarlo nei processi, fidarsi abbastanza da sperimentare senza smettere di controllarlo. Sono sempre loro a determinare se una tecnologia resterà una licenza inutilizzata o diventerà parte reale dell’organizzazione.

Il vero problema dell’intelligenza artificiale in azienda non è soltanto tecnologico. È psicologico, culturale, organizzativo.

E forse la domanda giusta non è più “quale intelligenza artificiale dovrebbe comprare la nostra azienda”, ma “come possiamo preparare le nostre persone a lavorare con l’intelligenza artificiale”. Perché la differenza tra un’azienda che possiede l’AI e un’azienda che sa davvero usarla si gioca tutta qui.

Se sei arrivato fin qui, forse è il momento giusto per conoscerci.

Sono Leonardo Ezequiel Olivito, giornalista e Adobe Certified Expert. Da oltre 15 anni aiuto imprese e creativi a dare forza visiva alle proprie idee, con un approccio che unisce tecnica, strategia e anima. ✅ Se ti occupi di contenuti, comunicazione o formazione, potremmo parlare la stessa lingua. 🔍 lolivito@gmail.com – @lolivito

Fonti

Tsipursky, G. (2026). The Psychology of AI Adoption at Work: From Resistance to Results. Foreword di Nick Bloom. Washington, DC: Georgetown University Press.

Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at Work. NBER Working Paper No. 31161.
De Freitas, J. (2025). “Why People Resist Embracing AI.” Harvard Business Review, 103(1), 98–107.
Grossman, G. (2024). “Rebuilding Trust to Reach AI Potential.” Edelman.
Lin, L., & Parker, K. (2025). U.S. Workers Are More Worried Than Hopeful About Future AI Use in the Workplace. Pew Research Center.
Keller, C., & Viltz-Emerson, M. (2023). The Business Case for Change Management When Driving Organization Transformation. Willis Towers Watson.
Abrash, L., & Ammanath, B. (2024). Technology, Trust, and Ethics Annual Report. Deloitte.

Nota editoriale: questo articolo prende spunto dal lavoro di Gleb Tsipursky e dalle ricerche citate nel volume. I concetti sono stati rielaborati in forma originale e applicati al tema dell’adozione dell’intelligenza artificiale nel lavoro.

Articolo pubblicato originariamente su LinkedIn nella newsletter Empatia Digitale, il 7 settembre 2026.