Essere Pronti all’IA è un Motto, Non una Strategia
Forza Lavoro e IA: L’attenzione si sta spostando dall’impatto dell’IA alla preparazione della forza lavoro per ruoli integrati con l’intelligenza artificiale.
Competenze Richieste: Coding, adattabilità e chiarezza sono sottolineate come competenze chiave per la prontezza della forza lavoro nell’era dell’IA.
Progettazione Organizzativa: Gli attuali modelli di prontezza si concentrano sugli individui invece che affrontare le sfide sistemiche di progettazione organizzativa.
Metriche di Misurazione: La prontezza all’IA non dovrebbe basarsi solo su metriche di utilizzo. Il successo è determinato dal miglioramento degli esiti.
Problema dell’Urgenza: L’urgenza nell’adozione dell’IA viene sottolineata, ma spesso mancano precisione e una direzione chiara.
Ogni importante agenda di conferenze questa primavera ha presentato qualche variazione dello stesso titolo di sessione: cosa serve davvero per costruire una forza lavoro pronta per l’IA.
L’espressione era ovunque. Un chiaro segnale che il settore ha superato la domanda se l’IA cambi il lavoro ed è arrivato alla questione più difficile di come preparare le persone a ciò che viene dopo.
La vera domanda si è rivelata più difficile da rispondere del previsto.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Nelle varie sessioni al Transform di Las Vegas e all’HumanX di San Francisco questa primavera, i relatori hanno offerto osservazioni intelligenti, anche se piuttosto a livello generale, su come dovrebbe essere la preparazione della forza lavoro in un contesto accelerato dall’IA.
Andrew Ng, Fondatore di DeepLearning.AI, ha sostenuto in modo provocatorio che tutti, indipendentemente dal ruolo, dovrebbero imparare a programmare.
Il CEO di Coursera Greg Hart ha indicato la crescente domanda di corsi sul pensiero critico—quasi raddoppiata anno su anno sulla piattaforma—come prova del fatto che le organizzazioni stanno iniziando a capire che la sola competenza tecnica non è la risposta.
Robin Daniels di Sensai ha sostenuto che la vera competenza nell’IA di base è la chiarezza. In altre parole, se non riesci a definire ciò che vuoi in modo sufficientemente chiaro per una persona, certamente non sarai in grado di definirlo in modo chiaro per un agente.
Sarah Franklin, CEO di Lattice, ha contestato l’istinto di misurare la preparazione all’IA tramite metriche di utilizzo, affermando che ciò che conta davvero è se le persone ottengono risultati migliori, non se generano più token.
Queste non sono osservazioni banali. Sono riflessioni ponderate. Ma, prese insieme, rivelano qualcosa che il circuito delle conferenze non ha ancora risolto: “pronto per l’IA” rimane un’espressione di direzione più che operativa.
Puoi partecipare a tre giorni di sessioni e andartene con una forte sensazione di urgenza e quasi nessun modo per valutare dove si trova realmente la tua organizzazione.
Vale la pena esaminare questo aspetto, perché il costo di scambiare l’ispirazione per la strategia si sta manifestando in modo concreto nelle organizzazioni reali proprio ora.
Cosa le conferenze definiscono come pronte
La definizione pratica di preparazione all’IA emersa dalle varie sessioni ha alcuni elementi costanti.
Il primo sono le competenze, soprattutto tecniche. L’argomentazione di Ng sulla programmazione è la versione più incisiva di questo concetto. Poiché l’IA rende la creazione di software più accessibile, chi lavora a quel livello supererà chi non lo fa, indipendentemente dal titolo di lavoro.
Ha descritto di aver visto marketer, recruiter e professionisti della finanza che sanno programmare distanziare i colleghi che non ne sono in grado, inquadrando il divario come in rapida crescita.
Hart ha rafforzato la dimensione tecnica attraverso i dati di iscrizione: ogni quattro secondi, nel 2025, una persona si è iscritta a un corso di IA su Coursera, il doppio rispetto al 2024.
Il secondo elemento è l’adattabilità, definita in modo ampio come la capacità di tenere il passo con il cambiamento.
“La qualità umana di cui c’è più bisogno è l’adattabilità”, ha detto Adit Jain, CEO di Leena AI, la cui azienda realizza colleghi IA per le funzioni G&A e di back office.
Stava descrivendo ciò che osserva quando le imprese implementano l’automazione. Le persone che superano la transizione non sono necessariamente le più anziane o le più esperte tecnicamente. Sono quelle disposte a ridefinire il proprio ruolo supervisionando e migliorando l’IA, invece di difendere il lavoro che è stato rimpiazzato.
Il terzo è qualcosa che resiste a una semplice etichetta. Franklin lo ha definito trattare l’IA come un compagno di squadra, non come uno strumento. Daniels lo chiama chiarezza. Bianca Anghelina, CEO di AILY Labs, lo descrive come la capacità di tradurre i problemi aziendali in sfide affrontabili dall’IA.
L’argomentazione di Ng sulla programmazione, nella sostanza, è che programmare è un veicolo per imparare a pensare per sistemi, scomporre i problemi in componenti gestibili da un processo automatizzato.
Sotto questi tre elementi ce n’è un quarto implicito: la volontà di continuare ad apprendere indefinitamente. Tutti i relatori sono arrivati, alla fine, qui. L’imperativo dell’apprendimento permanente non è tanto una definizione di preparazione quanto il riconoscimento che nessun insieme fisso di competenze sarà sufficiente.
Come descrizione della direzione verso cui deve muoversi un’organizzazione, è ragionevole. Ma come struttura per valutare il punto di partenza di una specifica organizzazione, è quasi inutile. “Sii adattabile” e “continua a imparare” non sono valutabili. Non dicono a un CHRO cosa misurare, cosa sviluppare o quale sia la sufficienza.
Inoltre, ciò che serve all’inizio di questo percorso viene raramente menzionato, sebbene ne abbiamo parlato nel podcast.
Dove la definizione si incrina
Il momento più utile in una sessione HumanX sul reskilling su larga scala non è arrivato da un framework, ma da un dato numerico. Jain ha descritto cosa accade tipicamente quando la sua azienda automatizza un processo aziendale per un grande cliente enterprise: il 60% delle persone che svolgevano quel lavoro non è più necessario.
Del restante 40%, circa il 20%, ossia circa il 12% del totale, può essere reintegrato nel processo come gestori umani dell'IA. Il restante 48% rappresenta un problema di transizione che la maggior parte delle organizzazioni non ha ancora risolto.
Ha citato un esempio reale di un cliente nel settore sanitario che ha reindirizzato il personale delle operazioni HR, liberato dalla gestione routinaria dei ticket, verso la creazione e gestione di agenti che svolgono il lavoro di conformità sui dati dei pazienti su larga scala. Un lavoro che, fino ad allora, non era mai stato svolto proprio perché troppo oneroso in termini di risorse umane.
La riallocazione ha richiesto che quei dipendenti comprendessero il nuovo lavoro, acquisissero rapidamente nuove competenze e accettassero un rapporto fondamentalmente diverso con la propria mansione.
Ed è qui che la definizione di readiness data dalla conferenza si scontra con un problema strutturale. La readiness, così come viene definita dalla maggior parte delle sessioni, è una caratteristica dell'individuo: le sue competenze tecniche, la sua adattabilità, la sua volontà di imparare.
Ma il problema del 48% non è primariamente un problema individuale. È un problema di design organizzativo. La possibilità che quei dipendenti possano effettuare la transizione dipende non solo dalla loro adattabilità personale, ma dal fatto che l'organizzazione abbia identificato dove potrebbero essere reimpiegati, quali competenze richiedono quei ruoli, quali investimenti di sviluppo sono necessari e per quanto tempo l'organizzazione può sostenere quella transizione prima che le pressioni economiche la spingano verso soluzioni più semplici.
Il concetto di "pronto all'IA" riferito alla forza lavoro non affronta nulla di tutto ciò, almeno non nel modo in cui viene inteso oggi. Si concentra sul lato delle competenze, lasciando largamente inesplorato il lato della distribuzione.
Daniels ha fatto un'osservazione tagliente sui licenziamenti di Oracle di quest'anno.
C’è una grave mancanza di coraggio ai vertici nel voler riqualificare la forza lavoro. Cosa stai facendo se hai montagne di soldi e non prendi tempo per riqualificare o formare i tuoi dipendenti?
L'inquadramento era rivolto al coraggio dei dirigenti. Ma ciò che viene descritto è anche un fallimento di capacità organizzativa. Oracle aveva quasi certamente persone adattabili e pronte ad apprendere. Quello che apparentemente mancava era un sistema per identificare chi fossero queste persone, dove potessero essere collocate e come svilupparle con la rapidità richiesta dalla transizione.
Il coraggio è importante. Ma il coraggio senza una diagnosi non è una strategia.
Il problema della misurazione
L'osservazione di Franklin sull'importanza di misurare la readiness all'IA tramite metriche d’uso merita più attenzione di quanta ne sia stata data nel contesto della conferenza. Stava descrivendo qualcosa che le organizzazioni sbagliano regolarmente. Monitorano l'adozione, i login agli strumenti, il volume dei prompt e l'utilizzo dei token e concludono di stare facendo progressi.
La misurazione è semplice e facilmente comunicabile verso l'alto. Ma è anche facilmente manipolabile e solo vagamente correlata a ciò che conta davvero.
Misurare solo l’utilizzo dell’IA vuol dire non vedere la foresta per gli alberi. Bisogna ancora misurare ciò che le persone sono in grado di fare, perché crediamo profondamente che l’IA debba essere qui a servizio del successo delle persone.
Questo tema è particolarmente rilevante nei contesti di sviluppo della forza lavoro, perché la tendenza a misurare l’adozione sta già influenzando il modo in cui alcune organizzazioni strutturano le loro richieste di formazione sull'IA. Se si lega l’uso dell’IA alla valutazione delle performance, si otterrà l’uso dell’IA. Non necessariamente si otterranno decisioni migliori, lavoro più veloce o dipendenti più competenti.
Jain ha descritto una versione di questo problema dalla prospettiva opposta: quando ha provato un approccio soft al reskilling, chiedendo ai dipendenti di seguire un corso al proprio ritmo nell’arco di tre mesi, solo due su trenta lo hanno completato.
Quando ha riproposto lo stesso programma con una scadenza di 90 giorni, un esame formale e un aumento di stipendio per chi superava il test, più dell’85% lo ha completato. Il dato relativo alla motivazione è interessante. Ma l’aspetto più importante riguarda ciò che l’organizzazione stava realmente misurando.
Completamento e compensazione erano tracciabili. Tuttavia, il fatto che le persone che hanno superato la valutazione fossero materialmente più capaci di svolgere il nuovo lavoro era tutta un’altra questione.
Cosa renderebbe questa una vera valutazione e non solo una formalità? Questa è la domanda a cui le sessioni della conferenza non hanno saputo rispondere pienamente.
Testare la definizione della conferenza rispetto a uno standard più rigoroso
Le sette capacità che distinguono in modo affidabile le organizzazioni che riescono nella trasformazione tramite AI da quelle che generano attività senza risultati sono: empatia, presenza, pensiero orientato al prodotto, coraggio, pazienza strategica, trasparenza e pensiero sistemico.
Tali capacità emergono costantemente nelle ricerche. Inoltre, sono quasi tutte, significativamente, legate al comportamento della leadership piuttosto che alle competenze dei dipendenti.
Confrontare le sessioni della conferenza con ciascuna di esse produce un quadro disomogeneo.
Empatia
La posizione di Franklin riguardo a AI nella gestione delle performance si basa su un’autentica intuizione su come le persone vivono la valutazione: rimuovere la componente di giudizio dalle conversazioni sulle performance, fornendo informazioni basate su dati concreti prima che inizi il confronto umano, cambia ciò che le persone sono disposte ad accettare.
La sua descrizione dei dipendenti “più a loro agio” quando comprendono che l’AI si basa su dati attendibili piuttosto che su impressioni soggettive del manager è una reale osservazione su come gli individui vivono il cambiamento in modo differente.
Il risultato di Coursera, secondo cui gli apprendenti che interagiscono con il loro coach basato su AI ottengono risultati significativamente migliori rispetto a chi non lo fa, va nella stessa direzione. Persone diverse hanno bisogno di sostegni diversi, e le organizzazioni che lo riconoscono ottengono risultati migliori.
Le sessioni non hanno offerto strumenti diagnostici per valutare l’empatia organizzativa, ma una comprensione di fondo era presente.
Pensiero orientato al prodotto
Il modello boot camp di Anghelina è l’esempio più chiaro: ai dipendenti viene fornito un quadro operativo di agenti e una sfida aziendale concreta, non un curriculum di competenze astratto o una teoria sulle potenzialità dell’AI.
Ottimizzare la spesa marketing del 10%. La scelta progettuale è significativa. Sta trattando lo sviluppo delle risorse umane come un team di prodotto tratta un problema: partire da un vero bisogno dell’utente, costruire qualcosa che lo soddisfi, ed evolvere da lì.
L’esempio della riallocazione nella sanità di Jain segue la stessa logica. La capacità operativa liberata nelle risorse umane non è stata indirizzata verso una riqualificazione generica ma verso un problema specifico di conformità che l’organizzazione non era mai riuscita ad affrontare.
Questi sono esempi concreti di pensiero orientato al prodotto. Ma nessun relatore li ha presentati in questi termini; di conseguenza, i leader che hanno seguito le sessioni probabilmente assimileranno l’esempio senza interiorizzare il principio.
Coraggio
Questa dimensione è emersa chiaramente una volta soltanto, poi la discussione è proseguita oltre. La critica di Daniels a Oracle è stata incisiva: l’organizzazione, pur avendo le risorse finanziarie per riqualificare il personale, ha scelto di non farlo e lui ha definito questa scelta come un fallimento di volontà a livello dirigenziale. L’inquadramento è stato recepito.
Non si è però avviata alcuna discussione su come le organizzazioni possano costruire il coraggio istituzionale necessario ad assorbire costi a breve termine per sviluppare le capacità della forza lavoro a lungo termine. Il divario tra identificare il problema e sviluppare la capacità di leadership per affrontarlo è rimasto aperto.
Trasparenza
Questo elemento è stato implicito in tutto il discorso, ma raramente analizzato direttamente. Le osservazioni di Franklin sulla costruzione della fiducia organizzativa come prerequisito per l’AI nella gestione delle performance sono ciò che più si avvicina.
Nessuna sessione, tuttavia, ha affrontato il tema di cosa significhi una comunicazione onesta quando un’organizzazione non sa realmente quali ruoli sopravvivranno a una transizione AI, né su come i leader possano essere sinceri riguardo tale incertezza senza alimentare paure che ostacolano l’adozione.
Una ricerca condotta da Boston Consulting Group e Columbia Business School ha documentato la differenza di 51 punti percentuali tra ciò che i dirigenti pensano che i dipendenti comprendano della strategia AI e ciò che effettivamente capiscono i dipendenti. Questo non è stato discusso. Avrebbe dovuto esserlo. Quel divario non è solo un problema di comunicazione. È un problema di trasparenza, ed è abbastanza grande da far deragliare implementazioni tecnicamente solide.
Presenza
In un’epoca nota per la scarsità di autoconsapevolezza tra i dirigenti, la presenza è risultata, giustamente, quasi del tutto assente. Le sessioni erano impostate a livello strategico, e la questione se i leader comprendano davvero come il lavoro avvenga concretamente nelle loro organizzazioni — abbastanza da sapere cosa un’implementazione AI cambierà davvero per chi opera sul campo — non è stata esaminata.
I numeri di Jain lo dimostrano: se il 60% delle persone coinvolte in un processo aziendale diventa superfluo dopo l'automazione, qualcuno ai piani alti doveva avere un quadro chiaro di ciò che quelle persone stessero effettivamente facendo e su dove potesse esistere lavoro equivalente.
Ma come le organizzazioni sviluppino quella vicinanza operativa, soprattutto nelle grandi imprese dove il "soffitto di silicio" tra i team dirigenti e il lavoro in prima linea è già documentato, non ha fatto parte della conversazione.
Pazienza strategica
Il tono dominante della conferenza era l'urgenza. Agire subito o restare indietro. I progetti pilota sono finiti, è ora di implementare. La promessa di Anghelina di un'integrazione in un solo giorno. L’avvertimento di Jain che un CEO che non si muove abbastanza velocemente dovrà rispondere agli analisti sul perché i concorrenti abbiano margini migliori.
La correzione finale di Robin Daniels, "velocità più incertezza è solo caos, fate un respiro," è stata l'unica controspinta in una qualsiasi delle sessioni, ed è arrivata negli ultimi trenta secondi prima della fine del tempo.
Le ricerche su ciò che produce effettivamente un'adozione duratura dell'AI indicano una direzione diversa, dove il 79% dei dipendenti che hanno ricevuto più di cinque ore di formazione sull'AI è diventato un utilizzatore regolare, contro il 67% di chi ne ha ricevute di meno. La curva J è reale.
La costruzione di capacità che porta a risultati solidi richiede più tempo di quanto non ammetta l'urgenza trasmessa dalle conferenze, e il costo organizzativo di abbandonare iniziative prima che maturino, S&P Global indica il tasso di abbandono al 42% dei progetti AI prima che arrivino in produzione, non viene catturato dall’impostazione "muoviti in fretta o rimani indietro".
Pensiero sistemico
Nessuna sessione ha realmente affrontato come il dispiegamento dell’AI in una funzione crei effetti a catena su altre. Cose come:
- Come la riprogettazione dei flussi di lavoro nelle operazioni HR cambi ciò che il servizio clienti deve essere in grado di fare
- Come l'automazione dell'approvazione dei prestiti cambi la gestione del prodotto per l'intera funzione di prestito
- Come la distribuzione di agenti in un dipartimento sollevi questioni di governance che riguardano ogni dipartimento.
L’esempio dell’approvazione dei prestiti menzionato da Ng conteneva in realtà il seme di questo ragionamento, descrivendo come la riprogettazione dei flussi di lavoro dall’alto sblocchi nuovi prodotti invece di produrre solo efficienza incrementale, ma le implicazioni a livello di sistema su come le organizzazioni debbano essere strutturate per vedere e cogliere queste opportunità non sono state sviluppate.
La scoperta del BCG secondo cui il 52% delle organizzazioni di successo con l’AI ora utilizza team trasversali composti da leader aziendali e tecnologici, rispetto al 5% di un anno prima, suggerisce che si tratta di uno dei cambiamenti strutturali più rilevanti in atto. Le sessioni l'hanno trattato come uno sfondo dato per scontato piuttosto che come una sfida attiva.
Il modello ricorrente in tutte e sette le capacità? I leader sembrano più preparati sulle capacità che assomigliano allo sviluppo di competenze individuali (empatia, pensiero di prodotto) e meno su quelle che richiedono riprogettazione organizzativa (pensiero sistemico, pazienza strategica, presenza).
Questa disparità riflette qualcosa di reale rispetto allo stato attuale della conversazione sull’AI. Lo sviluppo di competenze individuali è accessibile. Ha fornitori, programmi formativi e metriche di completamento. La riprogettazione organizzativa è più lenta, politicamente più complessa e difficile da inserire in una sessione di 45 minuti.
Così la conversazione si sposta su ciò che può essere descritto concretamente, e chiamiamo il risultato un framework di readiness.
Cosa Richiede Davvero l’Operatività
La distinzione tra readiness aspirazionale e operativa non riguarda pessimismo o ottimismo. Sia Ng che Hart sono stati chiari sul fatto che le organizzazioni che lo fanno bene stanno facendo veri progressi.
Hart ha descritto una grande società di servizi professionali che ha sviluppato le competenze di 5.000 dipendenti verso ruoli specializzati nel campo AI e un’azienda tecnologica globale dove l’impegno su Coursera si è correlato con un miglioramento del 50% nella retention. Questi sono risultati, non solo intenzioni.
Quello che queste organizzazioni hanno in comune, secondo le descrizioni disponibili, è che sono partite da un problema aziendale specifico anziché da un generico obiettivo di readiness. La società di servizi professionali cercava di ottenere risultati migliori per i clienti in progetti abilitati dall’AI. L'azienda tecnologica puntava a trattenere dipendenti che stavano diventando più efficaci. In entrambi i casi, lo sviluppo delle competenze era ancorato a qualcosa di sufficientemente concreto da poter essere valutato.
Anghelina ha espresso questo concetto nel modo più diretto, anche se nel contesto di quei bootcamp e dell'obiettivo di ottimizzare gli investimenti di marketing per generare il 10% in più di vendite. Il meccanismo non è astratto. Il risultato è misurabile. Il compito del dipendente è capire come applicare l’AI per raggiungerlo.
Quando gli utenti vedono l’impatto dell’IA sull’azienda. Diventano più creativi. Le competenze si sviluppano perché il problema è abbastanza specifico da poterci lavorare sopra.
Ed è proprio qui che molti sforzi di riqualificazione si arenano. Partono dalle competenze perché le competenze sono leggibili, insegnabili e tracciabili. I numeri delle iscrizioni su Coursera sono reali. I dati riguardanti il completamento delle micro-certificazioni sono reali. Il 91% dei discenti che riferisce esiti professionali positivi entro sei mesi è reale. Ma le competenze scollegate dal contesto organizzativo tendono a diventare generiche. E una preparazione generica non è una vera preparazione a nulla di specifico.
Franklin ha sottolineato lo stesso aspetto dal punto di vista delle risorse umane, quando ha affermato che l’HR impiega circa il 60% del tempo a documentare ciò che è successo in passato.
L’opportunità non è rendere le risorse umane più efficienti nella documentazione. L’opportunità è liberare la capacità dell’HR di lavorare su problemi che richiedono davvero giudizio umano, problemi abbastanza specifici da aver bisogno di qualcuno che comprenda l’organizzazione, le sue persone e le decisioni che realmente generano risultati.
Una vera strategia di preparazione all’IA parte da qui. Non da “quali competenze servono alle nostre persone”, ma da “di cosa dovrà essere capace questa organizzazione tra 18 mesi che oggi non può fare, e cosa dovrà contribuire ogni ruolo a tale traguardo”?
Procedere a ritroso da questa domanda produce qualcosa che può essere valutato. Il Framework delle Sette Capacità esiste proprio per strutturare questa retro-mappatura, tradurre un obiettivo di capacità aziendale nelle specifiche capacità umane necessarie per raggiungerlo e valutare la distanza tra stato attuale e stato richiesto con una precisione sufficiente a costruirci intorno un programma di sviluppo.
L'urgenza oscura
Una dinamica che il circuito delle conferenze rafforza, probabilmente in modo involontario, è che l’urgenza viene a sostituire la precisione.
In tutte le sessioni a cui ho partecipato nelle ultime 6 settimane, che fosse nei grandi saloni di Transform, sul palco drammaticamente illuminato di HumanX o nei workshop di conferenze più piccole e locali qui ad Atlanta dove vivo, ciascuna di esse ha fatto riferimento al ritmo del cambiamento.
Diversi relatori hanno osservato che essere indietro di tre o quattro mesi sugli ultimi strumenti di programmazione IA, secondo la prospettiva di Ng, genera divari prestazionali significativi tra gli ingegneri. Il messaggio implicito è che la velocità di adozione sia la variabile principale.
È una variabile. Ma non è la principale.
Daniels lo ha espresso in maniera chiarissima, anche se la conversazione attorno lo ha un po’ nascosto.
La velocità unita alla chiarezza è eccezionale. La velocità unita all’incertezza è solo caos.
La maggior parte di ciò che oggi viene chiamato preparazione all’IA viene spinta a tutta velocità. L’urgenza è reale, nel senso che la percepiamo tutti e, impegnandoci in essa, la manteniamo viva.
Ma le organizzazioni che stanno costruendo un reale vantaggio competitivo grazie allo sviluppo della forza lavoro con l’IA sono quelle che hanno definito con abbastanza precisione verso cosa stanno costruendo affinché la velocità abbia una direzione chiara.
Il test è semplice, e le sessioni delle conferenze lo dimostrano involontariamente. Se si prendesse la definizione di preparazione all’IA presentata in una di queste sessioni e si provasse a usarla per costruire un programma di sviluppo per la propria organizzazione, bisognerebbe subito rispondere a una serie di domande che quella definizione non affronta.
- Quali ruoli sono più rilevanti per la nostra specifica strategia IA?
- Come si presenta la competenza a ogni livello e come la misuriamo?
- Qual è la sequenza di sviluppo che ci porta dallo stato attuale a quello richiesto nel modo più rapido?
- Quali cambiamenti organizzativi devono avvenire parallelamente allo sviluppo delle competenze individuali affinché tutto ciò possa funzionare?
Queste non sono domande aspirazionali. Sono operative. E rispondere a esse è ciò che distingue la capacità di costruire una forza lavoro pronta all’IA dalla semplice capacità di organizzare programmi formativi sull’IA.
La frase è diventata ormai una scorciatoia per un obiettivo su cui tutti concordano. La strategia è il lavoro che segue una volta stabilito con precisione cosa significhi davvero quell’obiettivo.
