Competenza nell'IA: la metrica che ti dice se i dipendenti stanno ottenendo valore reale dall'IA
Competenza nell'IA: la metrica che ti dice se i dipendenti stanno ottenendo valore reale dall'IA
In breve
→ Il report Superagency in the Workplace di McKinsey ha rilevato un divario di engagement pari a 6 volte tra i power user dell'IA e i dipendenti tipici. EY ha riscontrato che l'88% dei dipendenti utilizza l'IA quotidianamente, ma solo il 5% la usa in modo avanzato. Adozione e competenza non sono la stessa cosa. → L'AI Proficiency misura l'efficacia con cui i dipendenti interagiscono con gli agenti di IA — tasso di riformulazione, risoluzione al primo turno, complessità delle attività nel tempo e profondità della sessione — utilizzando segnali comportamentali già presenti in ogni conversazione. → Lo State of AI 2026 di Deloitte ha identificato il divario di competenze sull'IA come la barriera principale all'integrazione dell'IA stessa, con l'84% delle organizzazioni che non ha ancora riprogettato i ruoli o i flussi di lavoro in funzione dell'IA. La maggior parte non ha modo di misurare se i propri programmi di abilitazione stiano funzionando. → I dati di proficiency sono completamente anonimizzati e aggregati. I team visualizzano i risultati per dipartimento, ruolo e strumento nel corso del tempo — mai a livello individuale. → L'AI Proficiency è la metrica per la prossima fase di implementazione dell'IA aziendale. La prima fase riguardava l'accesso. La fase successiva riguarda la verifica che tale accesso si stia traducendo nei guadagni di produttività che hanno giustificato l'investimento.
Se stai monitorando l'adozione dei tuoi strumenti di IA interni, sai già qualcosa di importante. Sai quante persone li usano, con quale frequenza e in quali aree dell'organizzazione. Questi dati ti mettono in una posizione di vantaggio rispetto alla maggior parte dei team che implementano l'IA su scala aziendale.
Ma l'adozione risponde a una sola domanda: le persone utilizzano gli strumenti? Non risponde al quesito che determina se l'investimento è valso la pena: quando i dipendenti interagiscono con gli agenti di IA, quanto sono produttive queste interazioni?
Secondo il report Superagency in the Workplace di McKinsey, c'è un divario di coinvolgimento pari a 6 volte tra i power user di IA e i dipendenti tipici nelle stesse organizzazioni. La 2025 Work Reimagined Survey di EY ha rilevato che l'88% dei dipendenti usa l'IA quotidianamente, ma solo il 5% la utilizza in modi avanzati. Il report 2026 State of AI in the Enterprise di Deloitte, basato su un sondaggio condotto su 3.235 senior leader, ha identificato il divario di competenze di IA come la singola barriera più grande all'integrazione dell'IA nei flussi di lavoro, con l'84% delle organizzazioni che dichiara di non aver riprogettato ruoli o flussi di lavoro intorno alle funzionalità di IA.
Un'adozione elevata unita a una bassa competenza è la situazione più comune in cui si trovano i deployment di IA aziendali. I dati di utilizzo sono alti, ma i guadagni di produttività non si stanno concretizzando. Il divario tra i due è il punto in cui si sta attualmente disperdendo la maggior parte del ROI dell'IA aziendale.
La AI Proficiency è la metrica progettata per colmare questo divario.
Cosa misura la AI Proficiency
La AI Proficiency misura l'efficacia con cui i dipendenti interagiscono con gli agenti di IA, rilevando la qualità del loro prompting, la loro capacità di ottenere risposte utili al primo tentativo e quanto bene stiano usando l'IA per svolgere un lavoro reale piuttosto che semplici query.
Si basa su feedback impliciti: segnali comportamentali all'interno delle conversazioni con l'IA che rivelano la qualità di un'interazione senza richiedere sondaggi o self-reporting. Questi segnali sono già presenti in ogni conversazione che i tuoi dipendenti hanno con gli agenti di IA. La AI Proficiency li legge, li rende anonimi e li rende misurabili a livello di team e di dipartimento.
I segnali che determinano un punteggio di competenza includono:
Rephrase rate (tasso di riscrittura). Quando un dipendente ha bisogno di più tentativi per ottenere una risposta utile, ciò indica un problema di qualità del prompting (il dipendente non sa come formulare le richieste in modo efficace) oppure un problema di qualità dell'agente, in cui l'IA non comprende richieste chiare. Tassi di riscrittura elevati all'interno di un team specifico indicano direttamente dove è necessario sviluppare le competenze.
Risoluzione al primo turno. La percentuale di interazioni in cui l'IA risponde alla reale necessità del dipendente fin dalla prima risposta, senza richiedere chiarimenti o follow-up. Un'elevata risoluzione al primo turno riflette sia un agente ben configurato sia dipendenti che sanno chiedere con precisione ciò di cui hanno bisogno.
Complessità dei task nel tempo. Stabilisce se i dipendenti utilizzano l'agente di IA per attività sempre più complesse e ad alto valore, o se lo limitano a query semplici continuando a gestire manualmente il lavoro più impegnativo. La crescita della competenza si manifesta con il passaggio dei dipendenti a un uso più sofisticato, non solo più frequente.
Profondità della sessione. La profondità e la qualità del coinvolgimento all'interno di una conversazione. I dipendenti che hanno una reale competenza con un agente di IA tendono a condurre sessioni più ricche e produttive. I dipendenti in difficoltà tendono ad avere sessioni superficiali che terminano senza una risoluzione.
Tutto questo è completamente anonimizzato e aggregato. Nessun singolo dipendente viene identificato. Nessuna conversazione viene attribuita a una persona specifica. I team visualizzano la competenza al livello utile per prendere decisioni (per dipartimento, ruolo, strumento, periodo di tempo) e non a livello di comportamento individuale.
Cosa diventa visibile quando misuri la competenza
I dati sulla competenza aprono domande a cui le sole metriche di adozione non possono rispondere.
Un team con una forte adozione e una forte competenza sta ottenendo un valore reale dai suoi strumenti di IA. Questo è il segnale per investire ulteriormente, espandere i casi d'uso e capire cosa funziona per poterlo replicare altrove.
Un team con una forte adozione e una minore competenza rappresenta un segnale di tipo diverso. Potrebbe significare che l'agente ha bisogno di una migliore configurazione per i flussi di lavoro specifici di quel team. Potrebbe indicare un'opportunità di formazione in grado di migliorare significativamente la produttività. Oppure, potrebbe significare che l'IA offre prestazioni diverse a seconda dei vari tipi di attività e che il team non ha ancora individuato dove apporta il massimo valore. Ognuno di questi è un insight specifico e azionabile. Nessuno di essi è visibile solo con i dati di adozione.
I dati sulla competenza mostrano anche il cambiamento nel tempo, ed è qui che risiede il loro vero valore. Permettono di verificare se i programmi di abilitazione stanno funzionando, se i nuovi strumenti di IA sono più facili o più difficili da usare efficacemente per i dipendenti, quali team si stanno sviluppando più rapidamente e dove la competenza si sta stabilizzando. Questi trend indicano ai leader dell'IA aziendale dove concentrare l'attenzione e gli investimenti, in un modo che le statistiche di utilizzo non possono fare.
Perché questo è importante ora
La prima fase dell'implementazione dell'IA in azienda riguardava l'accesso: distribuire gli strumenti, fare in modo che i dipendenti li usassero e misurare che l'adozione stesse avvenendo.
La maggior parte delle grandi aziende ha completato questa fase. Gli strumenti sono distribuiti e l'adozione è in corso. La domanda successiva (e più difficile) è se tutto questo stia facendo una differenza misurabile nel modo in cui viene svolto il lavoro.
La ricerca 2026 di Deloitte ha identificato l'insufficienza delle competenze dei lavoratori come il principale ostacolo all'integrazione dell'IA nei flussi di lavoro esistenti. Il 53% delle organizzazioni ha indicato la formazione della forza lavoro per elevare la fluidità nell'uso dell'IA come principale risposta strategica per la gestione dei talenti. Tuttavia, la maggior parte di queste organizzazioni non ha modo di misurare se tale formazione stia funzionando: manca un baseline di riferimento, un modo per tracciare il cambiamento nel tempo e la visibilità su quali team si stanno sviluppando e quali no.
La AI Proficiency rende tutto questo misurabile. Collega l'investimento nell'abilitazione al risultato comportamentale: non solo quanti dipendenti hanno partecipato a una sessione di formazione sull'IA, ma se il modo in cui interagiscono con gli agenti di IA è effettivamente cambiato dopo, e se le loro sessioni stanno producendo risultati migliori di conseguenza.
Questa è la metrica per la fase successiva dell'adozione dell'IA, dove la domanda non è se i dipendenti abbiano accesso all'IA, ma se tale accesso si stia traducendo nella produttività e nel valore di business che hanno giustificato l'investimento.
Nebuly
Nebuly è la piattaforma di ROI per l'IA aziendale. Si connette agli agenti di IA su cui gira la tua attività, agli assistenti con cui interagiscono i tuoi clienti e agli strumenti che i tuoi dipendenti usano ogni giorno, inclusi Claude, ChatGPT e Copilot, e traduce questa attività in valore di business. Quanto tempo viene risparmiato nei vari team. Quali ricavi sta influenzando la tua IA. Come si presentano l'adozione e la AI proficiency nella pratica, tra dipartimenti e geografie. Tutto aggregato a livello organizzativo, mai legato ai singoli individui.
Se hai bisogno di chiarezza su ciò che il tuo investimento nell'IA sta effettivamente offrendo, prenota una demo.
Domande frequenti
Che cos'è l'AI Proficiency e in cosa si differenzia dall'adozione dell'IA?
L'adozione dell'IA misura la diffusione: quanti dipendenti utilizzano gli strumenti di IA, con quale frequenza e in quali dipartimenti. La competenza (AI Proficiency) misura l'efficacia: quando i dipendenti interagiscono con gli agenti di IA, quanto sono produttive queste interazioni? Un'organizzazione può avere un'adozione elevata e una competenza bassa: molti dipendenti che utilizzano frequentemente gli strumenti di IA, ma per query semplici, con tassi elevati di riformulazione e senza che lo strumento cambi realmente il modo in cui viene svolto il lavoro complesso. La competenza misura la qualità dell'interazione, non solo il semplice fatto che avvenga.
Come viene calcolata l'AI Proficiency?
L'AI Proficiency deriva da segnali comportamentali già presenti in ogni conversazione con gli agenti IA, senza richiedere sondaggi o self-reporting. I segnali principali sono il tasso di riformulazione (rephrase rate), che misura la frequenza con cui i dipendenti devono effettuare più tentativi per ottenere una risposta utile; il tasso di risoluzione al primo tentativo (first-turn resolution rate), che misura se l'IA risponde all'effettivo bisogno del dipendente fin dalla prima risposta; la complessità delle attività nel tempo (task complexity over time), che monitora se i dipendenti utilizzano l'IA per lavori sempre più sofisticati; e la profondità della sessione (session depth), che misura la ricchezza e la produttività dell'interazione all'interno di una conversazione. Questi segnali sono resi anonimi e aggregati a livello di dipartimento e di ruolo.
La misurazione dell'AI Proficiency è compatibile con i requisiti di privacy dei dipendenti?
Sì. L'AI Proficiency deriva da modelli comportamentali anonimizzati e aggregati all'interno delle conversazioni, non dalla lettura dei singoli messaggi o dall'attribuzione di comportamenti a specifici dipendenti. Nessun individuo viene identificato e nessuna conversazione viene attribuita a una persona specifica. La metrica viene calcolata a livello di team, dipartimento o ruolo, offrendo il livello di dettaglio utile per le decisioni aziendali. Questo approccio è conforme al GDPR e a framework simili sulla protezione dei dati, che consentono analisi aggregate che non possono essere utilizzate per identificare le persone.
Cosa significa quando un team ha un'alta adozione ma una bassa competenza nell'IA (AI Proficiency)?
Un'alta adozione accompagnata da una bassa competenza (proficiency) è un pattern comune su cui si può intervenire in modo concreto. In genere indica una di queste tre cose: l'agente AI non è configurato bene per i flussi di lavoro specifici di quel team, rendendone davvero difficile un uso efficace; il team non ha ricevuto una formazione mirata su come trarre il massimo dallo strumento; oppure l'AI ha prestazioni inconsistenti tra i diversi tipi di attività e il team non ha ancora individuato i casi d'uso in cui offre il valore maggiore. Ciascuno di questi scenari richiede un intervento diverso. I dati sulla competenza (proficiency) segnalano il problema, ma per capirne la causa devi analizzare quali categorie di attività specifiche mostrano i punteggi di competenza più bassi.
In che modo monitorare l'AI Proficiency nel tempo aiuta i leader aziendali?
I trend di competenza nel tempo sono ciò che rende questo dato utilizzabile come metrica di gestione. Un punteggio di competenza in crescita in un team specifico dopo un programma di abilitazione è la prova che il programma ha funzionato. Un plateau nella competenza dopo l'adozione iniziale indica che i dipendenti hanno raggiunto il limite massimo di utilizzo dello strumento, e che un ulteriore miglioramento richiede una migliore configurazione degli agenti o un supporto più mirato. Un punteggio di competenza in calo è un segnale di allarme precoce: i dipendenti utilizzano lo strumento in modo meno efficace, il che spesso precede un calo dell'adozione e un eventuale disimpegno. I dati di adozione mostrano il cosa; i trend di competenza mostrano il perché e indicano cosa fare dopo.
Resta aggiornato su ciò che stiamo imparando, costruendo e osservando mentre i team enterprise distribuiscono e misurano gli agenti AI in produzione.