---
title: "Chi non sa fare il lavoro non può verificare l’AI"
url: https://giornaledellepmi.it/chi-non-sa-fare-il-lavoro-non-puo-verificare-lai/
author: "Dario Vascellaro"
published: 2026-10-13T07:05:33+02:00
modified: 2026-10-12T21:02:08+02:00
publisher: "Il Giornale delle PMI"
language: it
sections: ["IA", "In Evidenza", "INTERVISTE"]
---

# Chi non sa fare il lavoro non può verificare l’AI

*Dario Vascellaro · 13 Ottobre 2026 · Il Giornale delle PMI*

> Per Roberto Navigli, che alla Sapienza guida il gruppo Sapienza NLP e il progetto Minerva, il valore di un sistema di AI sta nei dati e nei controlli che gli stanno intorno più che nel modello scelto. Il rischio che considera più sottovalutato è il deskilling, e la competenza che ritiene decisiva è saper verificare: un output si controlla solo se si saprebbe produrlo. Sulla formazione indica un livello intermedio quasi assente, tra i corsi troppo tecnici e quelli che si fermano al prompt.

**Roberto Navigli** guida alla Sapienza Università di Roma il gruppo che ha costruito Minerva, la famiglia di grandi modelli linguistici addestrata da zero sull’italiano che lui stesso descrive come l’unica pubblica in tutti i sensi, dati e pesi compresi, e tra le pochissime al mondo. Il progetto è attivo da più di tre anni e nasce da un ventennio di ricerca sul linguaggio. L’addestramento di Minerva 20B, portato avanti insieme allo spinoff Babelscape, è in corso alla data di questa intervista.

 

Da questa posizione Navigli dice una cosa che va contro il modo in cui l’intelligenza artificiale viene oggi proposta alle imprese: il modello conta meno di quello che gli si costruisce intorno. Qualità dei dati, conoscenza del dominio, controllo delle allucinazioni, specializzazione sul processo aziendale, misura degli errori che contano davvero in quel processo.

 

Il rischio che considera più sottovalutato è il deskilling, cioè delegare all’AI attività che poi si smette di saper svolgere. Da qui la sua posizione sulla verifica, che è anche la risposta più severa dell’intervista: controllare un output richiede di saperlo produrre, e questo rende il supervisore dell’AI una figura competente e non un neofita del settore in cui opera.

 

Sulla formazione vede due estremi, i corsi troppo tecnici per chi lavora in altri ambiti e quelli che si riducono a qualche formula per scrivere prompt, mentre il livello intermedio è quasi assente: capire come funzionano questi sistemi e integrarli in un processo di lavoro reale. Nei quindici passaggi che seguono parla anche di perché serva un’AI addestrata in italiano, di come si misura l’efficacia di un corso a mesi di distanza e di cosa può costruire una startup senza addestrare un modello proprio.

 

### **Se guardiamo ai prossimi tre-cinque anni, quali evoluzioni dell’intelligenza artificiale avranno l’impatto più significativo sul lavoro di professionisti e imprese?**

 

Gli addetti ai lavori stanno già assistendo al passaggio dall’AI come strumento a cui fare domande all’AI come componente agentica integrata e coordinata nei processi di lavoro. I modelli diventeranno sempre più capaci di operare su documenti, basi di conoscenza e strumenti aziendali e di svolgere attività anche complesse sotto la supervisione umana (a questo proposito, consiglio l’ottimo libro curato da Filippo Poletti “Supervisor: I professionisti dell’AI”, Guerini e Associati, che tratta il tema in numerosi ambiti professionali come la medicina, la giurisprudenza, la finanza, l’architettura e molti altri). L’impatto maggiore verrà non tanto da modelli sempre più grandi e potenti, quanto dalla loro specializzazione, dalla loro sostenibilità (sempre meno enti e aziende saranno disponibili a pagare “per token”), dalla sovranità dei dati (sappiamo bene che si può essere sicuri al 100% solo governandoli nella propria infrastruttura), dall’utilizzo di dati affidabili in sistemi e processi aziendali e, infine, dalla capacità di verificarne e controllarne il comportamento (con tecniche di grounding e verifica in ogni fase di impiego dei modelli).

 

### **Quali aspetti dell’AI sono oggi sopravvalutati e quali, invece, vengono ancora sottovalutati?**

 

È sopravvalutata l’idea che basti prendere un grande modello linguistico e collegarlo a un’applicazione per avere un prodotto “intelligente” e affidabile. È sottovalutato tutto ciò che sta intorno al modello: qualità dei dati, valutazione sperimentale, conoscenza di dominio e suo impiego nel contesto dell’AI, controllo delle allucinazioni e “grounding” nella conoscenza d’impresa, specializzazione del modello, suo aggiornamento e integrazione nei processi industriali e molto altro. Il valore spesso nasce più dalla combinazione di questi elementi che dal modello di partenza. Le faccio un esempio concreto parlando della famiglia dei modelli Minerva, un vanto italiano, essendo l’unico modello pubblico (in tutti i sensi, essendo anche nato dalla nostra esperienza ventennale all’Università di Roma “La Sapienza”) e tra i pochissimi nel mondo. Il progetto Minerva ([https://minerva-llm.org](https://minerva-llm.org/)), attivo ormai da più di tre anni, non ha certo usufruito di decine o centinaia di milioni di euro di finanziamento, eppure i modelli più recenti della famiglia riescono a ottenere prestazioni notevoli quando specializzati e verticalizzati nei task industriali. Abbiamo numerose esperienze di questo tipo, maturate attraverso collaborazioni tra lo spinoff di Sapienza Babelscape ([https://babelscape.com](https://babelscape.com/)) ed enti pubblici (tra cui il Ministero della Cultura, la Camera dei Deputati e l’importante ente europeo EUIPO), organizzazioni di rappresentanza (come UIL), società del sistema camerale (come Innova Camera) e imprese di vari settori.

 

Se il valore nasce da ciò che sta intorno al modello, lo stesso vale per i rischi, e il più sottovalutato di tutti è il costo degli errori. Un sistema che funziona bene nel 95% dei casi può essere straordinariamente utile in un contesto e completamente inaccettabile in un altro.

 

### **Dopo la prima ondata dei modelli generativi, quali evoluzioni dell’NLP cambieranno il nostro rapporto con conoscenza e documenti? E che cosa dovremmo sapere sull’affidabilità dei modelli linguistici?**

 

Il passaggio fondamentale è da modelli che generano testo a sistemi che sanno recuperare, collegare, organizzare e verificare conoscenza. *Retrieval*, *knowledge graph*, *grounding,* rappresentazioni semantiche e modelli generativi saranno sempre più integrati. Questo ci riporta al tema dei dati e di come sono organizzati e resi disponibili in ambito aziendale. L’obiettivo non sarà semplicemente produrre una risposta plausibile, ma anche garantire la possibilità di risalire all’informazione che la sostiene e con quale grado di affidabilità tale risposta è stata generata.

 

Un modello linguistico non è un’enciclopedia né un database di fatti. È una rete neurale che codifica regolarità e correlazioni apprese da enormi quantità di testi e utilizza queste rappresentazioni per svolgere dinamicamente migliaia di compiti, anche molto complessi, che hanno a che fare con il linguaggio. Può tuttavia produrre una frase linguisticamente perfetta senza utilizzare fonti affidabili che la sostengano, con errori anche importanti. Comprendere questi concetti è fondamentale per usare l’AI correttamente.

 

La capacità fondamentale è chiedersi sempre: “Da dove viene questa informazione e come posso verificarla?”. I modelli linguistici hanno reso estremamente economico produrre testi convincenti; proprio per questo diventa più preziosa la capacità di verificare fatti, fonti e ragionamenti. In un certo senso, la competenza centrale dell’era dell’AI sarà una nuova forma di pensiero critico da sviluppare a fianco dell’impiego di tali tecnologie. Sarà fondamentale svolgere il ruolo di verificatori e certificatori e non solo degli utenti ammaliati o, peggio, succubi. Chi non farà questo passo sarà rapidamente sostituito da chi invece abbraccerà il nuovo paradigma di lavoro.

 

### **Perché è strategico disporre di modelli, dati e risorse linguistiche sviluppati anche per la lingua e il contesto italiano?**

 

Perché una cultura, espressa primariamente nella lingua dei suoi parlanti nativi, non è rintracciabile nella sua pienezza nei testi scritti in un’altra lingua, come l’inglese. E l’inglese è la lingua di riferimento per l’addestramento dell’AI, essendo la stragrande maggioranza dei dati disponibili in tale lingua. Il punto però è che la cultura di un certo Paese è espressa in modo genuino solo nella sua lingua (o, a volte, nelle sue lingue) di riferimento. Quindi, parlando dell’Italia, è fondamentale che i sistemi AI utilizzati siano stati addestrati primariamente in lingua italiana, così da assorbire al meglio e senza bias esterni la conoscenza relativa alla cultura stessa, all’arte, al diritto, alla sanità, a tutta la pubblica amministrazione e ai processi industriali. L’esempio più ovvio è quello di un parlante nativo inglese che si trasferisca in Italia dopo aver vissuto per decine di anni in una cultura anglocentrica: per quanto possa imparare della nostra cultura, continuerà sempre a filtrarla e interpretarla con “gli occhiali dell’anglofono”. Al contrario, un nativo italiano conoscerà tutte le implicazioni più profonde persino del solo uso di una singola parola per noi intrisa di significato anche non esplicitato. Ci tengo a sottolineare che abbiamo dimostrato questa intuizione in un articolo scientifico presentato l’anno scorso alla conferenza italiana di linguistica computazionale. L’addestramento di Minerva 20B, che stiamo completando al momento di questa intervista con uno sforzo congiunto Sapienza e Babelscape, è importante proprio in questa prospettiva: dimostra che anche in Italia possiamo costruire competenze scientifiche e tecnologiche sull’intero ciclo di vita di un modello linguistico d’impatto e fornire tecnologia che affronta il problema del filtro culturale che ho appena citato.

 

### **Quali difficoltà incontrano i professionisti nell’utilizzo dell’AI e quali competenze, anche cognitive e relazionali, dovrebbero sviluppare per lavorare efficacemente con questi strumenti?**

 

La difficoltà principale per i professionisti e, in generale, i lavoratori è capire dove l’AI sia realmente utile. Molti partono dallo strumento e cercano successivamente un problema da risolvere. Bisognerebbe fare il contrario: partire da un processo concreto, stabilire quali errori siano accettabili, definire come valutarlo e solo dopo scegliere la tecnologia e, per ottenere prestazioni superiori, definire un processo di specializzazione al proprio problema. Inoltre è fondamentale comprendere che l’AI non va utilizzata in sostituzione delle proprie competenze, ma a potenziamento delle stesse. Sembra un concetto banale, ma il rischio di deskilling è fortissimo e, a mio avviso, poco sentito e compreso.

 

Tre competenze sono particolarmente importanti: saper formulare bene un problema, saper valutare criticamente una risposta e saper capire quando è necessario verificare le fonti e come farlo. Non tutti devono diventare programmatori o esperti di machine learning, anzi. Tutti, però, devono acquisire una vera alfabetizzazione sull’AI, così come oggi è normale ed essenziale possedere un’alfabetizzazione digitale (e devo ammettere che già qui c’è ancora molto lavoro da fare sui giovani).

 

Pensiero critico, capacità di sintesi, comprensione del testo, conoscenza del dominio e capacità di porre le domande giuste diventeranno sempre più importanti. Se produrre un testo o una prima analisi costa pochi secondi, il valore umano si sposta verso la capacità di scegliere, giudicare, contestualizzare e, cosa più importante, assumersi la responsabilità della decisione. Anche la collaborazione interdisciplinare sarà sempre più importante.

 

### **Quali sono oggi i bisogni formativi più urgenti delle imprese e quali limiti presenta l’attuale offerta di formazione sull’AI?**

 

Occorre superare sia l’approccio troppo teorico sia i corsi che si riducono al prompt engineering o all’introduzione agli agenti. Le imprese devono imparare a comprendere capacità e limiti dei modelli, scegliere i casi d’uso, progettare sistemi basati sui propri dati e, come dicevo, valutarne l’affidabilità. Serve quindi una formazione che unisca comprensione tecnologica, sperimentazione pratica e conoscenza dei processi aziendali, una formazione interdisciplinare che metta insieme figure anche molto diverse tra loro.

 

Vedo due estremi: corsi molto tecnici, difficilmente utilizzabili da chi lavora in altri settori, e corsi molto superficiali che insegnano qualche formula per scrivere prompt o per utilizzare sistemi pronti all’uso. Manca spesso il livello intermedio: comprendere realmente come funzionano questi strumenti e imparare a integrarli in un processo professionale, calando la formazione sull’ambito di reale interesse dell’impresa. È proprio lì che oggi si concentra il bisogno maggiore.

 

Ahimè spesso il limite è culturale: c’è una tendenza a costruire “steccati” e a rifugiarsi all’interno del proprio perimetro di *comfort zone* o anche semplicemente a proporre una formazione “per tutti”. Ma il mondo nel frattempo è cambiato, completamente. La formazione deve essere sempre più personalizzata e affidata a persone esperte, che abbiano però come obiettivo quello di risolvere i problemi concreti dell’azienda, anziché limitarsi a impartire lezioni *ex cathedra*.

 

### **Quali competenze dovranno sviluppare manager e imprenditori per decidere dove e come adottare l’AI?**

 

Manager e imprenditori devono imparare a distinguere ciò che è tecnicamente possibile da ciò che crea realmente valore. Questo significa conoscere almeno a livello concettuale costi, rischi, dipendenza dai fornitori, qualità dei dati e modalità di valutazione. Una decisione sull’AI è sempre meno spesso una mera decisione informatica: riguarda strategia, organizzazione e spesso il modello stesso di business. Per questo ritengo importante che le decisioni sull’adozione dell’AI non vengano delegate esclusivamente ai reparti tecnologici. Il management deve essere direttamente coinvolto nella definizione degli obiettivi, dei criteri di successo e delle responsabilità. Introdurre l’AI significa spesso ripensare il modo stesso in cui si lavora.

 

### **Perché molte persone, anche dopo aver seguito un corso, faticano ad applicare concretamente ciò che hanno appreso? Quali metodologie didattiche ritiene più efficaci?**

 

Perché imparano lo strumento in astratto, senza lavorare su un problema che appartiene realmente alla loro attività. Quando tornano in azienda, non sanno trasformare una conoscenza generale in un processo operativo. La formazione dovrebbe quindi partire da problemi e dati concreti, simili a quelli che il partecipante incontrerà il giorno successivo nel proprio lavoro. Sono un grande fautore della pratica, soprattutto in laboratorio. Quindi: laboratori basati su problemi reali, con una componente di sperimentazione e una di valutazione. Si impara molto di più analizzando sistematicamente pochi errori del proprio sistema che guardando molte dimostrazioni perfettamente riuscite. Quella che all’inizio sembra una perdita di tempo o di denaro si rivelerà in realtà un ottimo investimento per l’azienda.

 

### **Quali errori si commettono più frequentemente nella valutazione dei modelli linguistici e come si può insegnare a verificarne accuratezza, fonti e affidabilità?**

 

Il primo errore è confondere fluidità linguistica e correttezza. Il secondo è scegliere inconsapevolmente esempi facili o favorevoli. Un sistema serio deve essere valutato su molti casi, inclusi quelli difficili, confrontato con alternative e misurato rispetto agli errori che contano realmente nel contesto di utilizzo. Senza contare la personalizzazione o la specializzazione nel dominio o sottodominio di interesse dell’azienda, di cui parlavo prima.

 

Bisogna far esercitare le persone proprio sui casi in cui il modello o il sistema AI sbaglia in modo convincente. È anche importante insegnare a richiedere e controllare le fonti, confrontare più evidenze, separare fatti e inferenze e verificare che una risposta resti consistente quando cambia la formulazione della domanda.

 

Sfortunatamente cadiamo spesso nella trappola di dare credito a un testo ben scritto. La verifica, invece, deve diventare parte naturale del processo, non una correzione effettuata soltanto quando nasce un sospetto. Ma soprattutto: per poter verificare un output è necessario saper svolgere quell’attività in autonomia, che è la ragione per cui il “supervisore” dell’AI deve essere un esperto e non può e non deve essere un neofita del verticale di interesse.

 

### **Come si può dimostrare concretamente che un professionista ha imparato a utilizzare l’AI e come si dovrebbe misurare l’efficacia della formazione nel tempo?**

 

Gli chiederei di prendere un processo reale del proprio lavoro e costruirne un piccolo prototipo assistito dall’AI. Non valuterei soltanto se funziona, ma se riesce a definire criteri di successo, individuare gli errori, verificare le risposte e spiegare quando il sistema non dovrebbe essere utilizzato o potrebbe fornire output inaccettabili. Questa è una competenza molto più significativa del saper scrivere un buon prompt o saper utilizzare un sistema “chiuso”.

 

A distanza di alcune settimane o mesi bisognerebbe verificare se sono cambiati i processi di lavoro, non semplicemente se le persone ricordano i contenuti del corso. Quanti partecipanti hanno introdotto un nuovo flusso di lavoro? Quanto tempo risparmiano? Con quale qualità e con quale tasso di errore? La formazione sull’AI dovrebbe essere valutata anche in termini di impatto operativo. Pensiamo, per esempio, a strumenti come Codex o Claude Code: la vera domanda è se il lavoratore, dopo la formazione, riesce a integrarli nel proprio lavoro e a utilizzarli in modo efficace e proficuo. Ma soprattutto se riesce a comprendere e verificare il risultato ottenuto.

 

### **Se dovesse progettare un percorso formativo sull’AI realmente diverso da quelli oggi disponibili, quali caratteristiche dovrebbe avere e quale risultato concreto dovrebbe produrre?**

 

Partirei dai problemi, non dagli strumenti. Alternerei brevi elementi teorici a laboratori su casi reali, mostrando non soltanto cosa funziona ma soprattutto cosa non funziona e perché. Inoltre, come dicevo prima, lo specializzerei: inserirei dati e processi aziendali, valutazione degli output, anche quantitativa, aspetti di privacy e sicurezza e un progetto finale che produca un risultato concretamente utilizzabile.

 

Un corso dovrebbe permettere al partecipante di tornare al lavoro e migliorare almeno un processo reale: analizzare documenti, ricercare informazioni, sintetizzare conoscenza, assistere un cliente o automatizzare una procedura. Se alla fine del corso rimane soltanto la sensazione di conoscere meglio ChatGPT, Claude o Gemini, il risultato è limitato.

 

### **Quali opportunità offre oggi l’AI alle startup che vogliono sviluppare prodotti e servizi basati sul linguaggio e sulla conoscenza?**

 

Mi vengono in mente due opportunità chiave: brainstorming e prototipazione. La prima è quella di utilizzare i modelli di frontiera per validare la propria idea e fare ricerche di mercato (attenzione però al fenomeno della *sycophancy*: se un modello ci dice che la nostra idea è davvero unica, non è detto che lo sia!). Per quanto riguarda la seconda, la prototipazione, le opportunità offerte sono enormi, perché la disponibilità di grandi modelli riduce drasticamente il costo per costruire un primo prototipo. Non solo, ma posso anche sviluppare più velocemente ed efficientemente grazie ai modelli. La vera opportunità, però, è andare oltre il prototipo e costruire tecnologia specializzata, dati proprietari e conoscenza verticale.

 

Infine l’AI è anche il terreno ideale per rafforzare la collaborazione e l’innovazione a cavallo tra ricerca e impresa, intersezione strategica in cui credo fermamente. L’esempio dello spinoff Babelscape, di cui vado fiero, è lampante: nato come spin-off universitario dieci anni fa e cresciuto con successo, Babelscape è un esempio di come la ricerca scientifica di frontiera su semantica e AI generativa possa trasformarsi in prodotti e servizi di livello industriale. Oggi parliamo e lavoriamo con pubbliche amministrazioni, piccole e grandi realtà industriali, portando la differenza data da chi non solo “sa fare”, ma sa anche verificare, sperimentare ed esplorare alla frontiera dell’AI.

 

### **Come può una startup AI costruire un vantaggio competitivo senza addestrare un grande modello proprietario? Quali rischi comporta basare il proprio prodotto su modelli di terzi?**

 

Non è necessario addestrare un grande modello da zero per costruire un vantaggio competitivo. Dati proprietari, algoritmi specializzati, idee innovative, conoscenza di dominio, capacità di valutazione e integrazione con i processi dei clienti possono creare barriere molto più solide. I modelli tenderanno in parte a diventare una commodity; il valore sarà sempre più in ciò che si costruisce intorno a essi.

 

Il rischio principale è che l’intero prodotto coincida con una chiamata API a un modello esterno. In quel caso è molto difficile costruire un vantaggio difendibile e si resta esposti a variazioni di prezzo, prestazioni e condizioni del fornitore. Occorre possedere almeno una parte sostanziale della tecnologia, dei dati, del processo o della conoscenza che rende unico il prodotto.

 

### **Quali competenze dovrebbe riunire il team fondatore di una startup AI per passare da una demo convincente a un prodotto affidabile e adottabile dalle imprese?**

 

Servono competenze di AI e software engineering (qualcuno dirà sempre meno di software engineering, io penso che in realtà servano ancora, perché dobbiamo poter controllare e migliorare ciò che scrive l’AI), ma anche una conoscenza profonda del settore in cui si vuole operare. Occorrono inoltre persone capaci di lavorare su dati, valutazione, sicurezza e interazione con il cliente. Una startup AI efficace è inevitabilmente interdisciplinare: la qualità dell’algoritmo da sola non basta. E’ inoltre importante saper trasformare un prototipo tecnologico in un prodotto che possa essere mantenuto, aggiornato e impiegato su larga scala. Questo è un passaggio spesso sottovalutato, che richiede competenze ingegneristiche, capacità imprenditoriali e una continua interazione con le esigenze reali dei clienti.

 

### **Quale raccomandazione finale darebbe a chi deve progettare percorsi capaci di preparare persone e organizzazioni all’AI?**

 

Insegnare meno “trucchi” e più metodo. Gli strumenti cambieranno velocemente, mentre resteranno fondamentali la capacità di definire un problema, costruire una soluzione, valutarne i risultati e riconoscerne i limiti. Un buon percorso deve rendere le persone autonome anche rispetto al prossimo modello che arriverà sul mercato. Se penso alle tecnologie su cui si basavano i lavori scientifici e i software di 15-20 anni fa mi vengono in mente approcci di *machine learning* oggi per lo più superati, come Support Vector Machines (SVM), Latent Dirichlet Allocation (LDA) e Conditional Random Fields (CRF). Il vero obiettivo della formazione non dovrebbe essere insegnare a utilizzare gli strumenti di oggi, ma sviluppare le competenze necessarie per comprendere, valutare e governare quelli di domani.

---

Fonte: [Chi non sa fare il lavoro non può verificare l’AI](https://giornaledellepmi.it/chi-non-sa-fare-il-lavoro-non-puo-verificare-lai/), Il Giornale delle PMI.